فایل ورد کامل روش های یادگیری عمیق برای تشخیص و تقطیع خودکار چندساختاری قلبی MRI: آیا مشکل حل شده است؟

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل روش های یادگیری عمیق برای تشخیص و تقطیع خودکار چندساختاری قلبی MRI: آیا مشکل حل شده است؟،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۴ صفحه

تفسیر بطن چپ، میوکارد و بطن راست از تصاویر تشدید مغناطیسی قلب (MRI cine 2D چندبخشی (چندبرشی)) روش بالینی رایجی برای رسیدن به تشخیص می باشد. به همین دلیل اتوماسیون امور مربوطه طی چند دهه ی اخیر مورد موضوع پژوهش های بسیاری بوده است. ما در این مقاله مجموعه داده ی «چالش تشخیص قلبی خودکار» (ACDC)، بزرگرترین مجموعه داده ی عمومی و تفسیرشده به منظور ارزیابی MRI قلبی (CMR) را ارائه می کنیم. این مجموعه داده شامل داده هایی از داده خوانی چنددستگاهی CMRI مبتنی بر اندازه گیری های مرجع و دسته بندی های صورت گرفته توسط دو متخصص پزشکی می باشد. هدف اصلی این مقاله، اندازه گیری توانایی روش های یادگیری عمیق نوین در ارزیابی CMRI، یعنی تقطیع میوکارد و دو بطن و نیز دسته بندی پاتولوژی هاست. ما پیرو چالش ۲۰۱۷ MICCAI-ACDC، نتایجی را از روش-های یادگیری عمیق ارائه شده توسط نه گروه پژوهشی در خصوص امر تقطیع و چهار گروه در خصوص امر دسته بندی ارائه می کنیم. نتایج نشان می دهند که بهترین روش ها قادرند تحلیل تخصیص را بازتولید (تکرار) کرده و به تبع آن به مقدار متوسط ۰.۹۷ برای امتیاز همبستگی استخراج خودکار شاخص های بالینی و دقت ۰.۹۶ برای تشخیص خودکار دست پیدا کنند. این نتایج به وضوح راه گشای تحلیل کاملاْ خودکار و بسیار دقیق CMRI قلبی خواهند بود. ما هم چنین سناریوهایی را نشان می دهیم که روش های یادگیری عمیق در آنها ناموفق هستند. نتایج دقیق و مفصل و نیز مجموعه داده، هر دو به صورت آنلاین در دسترس عموم قرار دارند، و پلتفرم برای ارائه ی نتایج جدید باز می باشد.

اصطلاحات تخصصی: تقطیع و تشخیص قلبی | یادگیری عمیق | MRI | بطن های چپ و راست | میوکارد.

عنوان انگلیسی:

Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved

~~en~~ writers :

Olivier Bernard, Alain Lalande, Clement Zotti, Frederick Cervenansky, Xin Yang, Pheng-Ann Heng, Irem Cetin, Karim Lekadir, Oscar Camara, Miguel Angel Gonzalez Ballester, Gerard Sanroma, Sandy Napel, Steffen Petersen, Georgios Tziritas, Elias Grinias, Mahendra Khened, Varghese Alex Kollerathu, Ganapathy Krishnamurthi, Marc-Michel Rohe, Xavier Pennec, Maxime Sermesant, Fabian Isensee, Paul J ´ ager, Klaus H: Maier-Hein, ¨ Chrisitan F: Baumgartner, Lisa M: Koch, Jelmer M: Wolterink, Ivana Isgum, Yeonggul Jang, Yoonmi Hong, Jay Patravali, Shubham Jain, Olivier Humbert, and Pierre-Marc Jodoin

Delineation of the left ventricular cavity, myocardium and right ventricle from cardiac magnetic resonance
images (multi-slice 2D cine MRI) is a common clinical task to establish diagnosis. The automation of the corresponding tasks has
thus been the subject of intense research over the past decades.
In this paper, we introduce the “Automatic Cardiac Diagnosis
Challenge” dataset (ACDC), the largest publicly-available and
fully-annotated dataset for the purpose of Cardiac MRI (CMR)
assessment. The dataset contains data from 150 multi-equipments
CMRI recordings with reference measurements and classification
from two medical experts. The overarching objective of this paper
is to measure how far state-of-the-art deep learning methods can
go at assessing CMRI, i.e. segmenting the myocardium and the
two ventricles as well as classifying pathologies. In the wake
of the 2017 MICCAI-ACDC challenge, we report results from
deep learning methods provided by nine research groups for the segmentation task and four groups for the classification task.
Results show that the best methods faithfully reproduce the
expert analysis, leading to a mean value of 0.97 correlation score
for the automatic extraction of clinical indices and an accuracy of
۰.۹۶ for automatic diagnosis. These results clearly open the door
to highly-accurate and fully-automatic analysis of cardiac CMRI.
We also identify scenarios for which deep learning methods are
still failing. Both the dataset and detailed results are publicly
available on-line, while the platform will remain open for new
submissions.

Index Terms: Cardiac segmentation and diagnosis | deep learning | MRI | left and right ventricles | myocardium.

$$en!!