論文の概要: Accurately identifying vertebral levels in large datasets

• arxiv url: http://arxiv.org/abs/2001.10503v1
• Date: Tue, 28 Jan 2020 18:15:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:51:19.067421
• Title: Accurately identifying vertebral levels in large datasets
• Title（参考訳）: 大規模データセットにおける脊椎レベルの正確な同定
• Authors: Daniel C. Elton, Veit Sandfort, Perry J. Pickhardt, and Ronald M. Summers
• Abstract要約: この研究の目的は、大規模な異種データセットのL1レベルを正確に識別できるシステムを開発することである。 最初のアプローチは、3D U-Netを使用してスキャンボリューム全体を使用してL1椎骨を直接分割し、コンテキストを提供する。 L1椎骨の同定には98%の精度が得られたが, 頭蓋骨レベルでの平均誤差は4.5mmであった。
• 参考スコア（独自算出の注目度）: 4.210140995696958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vertebral levels of the spine provide a useful coordinate system when making measurements of plaque, muscle, fat, and bone mineral density. Correctly classifying vertebral levels with high accuracy is challenging due to the similar appearance of each vertebra, the curvature of the spine, and the possibility of anomalies such as fractured vertebrae, implants, lumbarization of the sacrum, and sacralization of L5. The goal of this work is to develop a system that can accurately and robustly identify the L1 level in large heterogeneous datasets. The first approach we study is using a 3D U-Net to segment the L1 vertebra directly using the entire scan volume to provide context. We also tested models for two class segmentation of L1 and T12 and a three class segmentation of L1, T12 and the rib attached to T12. By increasing the number of training examples to 249 scans using pseudo-segmentations from an in-house segmentation tool we were able to achieve 98% accuracy with respect to identifying the L1 vertebra, with an average error of 4.5 mm in the craniocaudal level. We next developed an algorithm which performs iterative instance segmentation and classification of the entire spine with a 3D U-Net. We found the instance based approach was able to yield better segmentations of nearly the entire spine, but had lower classification accuracy for L1.
• Abstract（参考訳）: 脊椎の椎骨レベルは、プラーク、筋肉、脂肪、骨のミネラル密度を測定する際に有用な座標系を提供する。 各脊椎の類似の出現、脊椎の曲率、骨折した椎骨、インプラント、仙骨の腰椎化、L5の仙骨化などの異常の可能性から、正確で正確な分類は困難である。 この研究の目的は、大規模な異種データセットのL1レベルを正確かつ堅牢に識別できるシステムを開発することである。 最初のアプローチは、3D U-Netを使ってL1椎骨をスキャンボリューム全体を使って直接分割し、コンテキストを提供する。 また、l1,t12の2つのクラスセグメンテーションと、l1,t12の3つのクラスセグメンテーションと、t12に付随するリブのモデルもテストした。 トレーニングサンプル数を249スキャンに増やし、社内のセグメンテーションツールから疑似セグメンテーションを使用して、l1椎骨の同定に関して98%の精度を達成できた。 次に,3次元U-Netを用いて全脊椎の反復的インスタンス分割と分類を行うアルゴリズムを開発した。 インスタンスベースのアプローチは、ほぼ全脊椎のより良好な分節を得ることができたが、l1の分類精度は低かった。

関連論文リスト

• SpineCLUE: Automatic Vertebrae Identification Using Contrastive Learning and Uncertainty Estimation [12.427024671144869]
  脊椎疾患の診断において、任意の視野における動詞の同定が重要な役割を担っている。 スピンレベルの既存の方法は、この課題を満たすことができません。 椎骨レベルでの3次元CT椎骨識別の課題に対処する3段階法を提案する。
  論文  参考訳（メタデータ） (2024-01-14T12:02:39Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model [0.0]
  本稿では,完全自動3次元脊椎椎体分割畳み込みニューラルネットワーク(CNN)モデルであるVertDetectを提案する。 共有CNNバックボーンの利用は、脊髄と脊椎の両方のレベル情報を含む特徴マップを備えたネットワークの検出とセグメンテーションのブランチを提供する。 このモデルは、エンド・ツー・エンドのアーキテクチャにおいて最先端のパフォーマンスを達成し、その設計により、その後下流のタスクに使用できる機能の抽出が容易になる。
  論文  参考訳（メタデータ） (2023-11-16T15:29:21Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Accurate Scoliosis Vertebral Landmark Localization on X-ray Images via Shape-constrained Multi-stage Cascaded CNNs [14.298452017755197]
  椎間板のランドマークの局在は、脊椎関連臨床応用における重要なステップである。 単一タスクを2つの逐次ステップに分割する多段階畳み込み畳み込みニューラルネットワーク(CNN)を提案する。 脊椎後方X線像609点からなるAASCEデータセットについて検討した。
  論文  参考訳（メタデータ） (2022-06-05T02:45:40Z)
• CTSpine1K: A Large-Scale Dataset for Spinal Vertebrae Segmentation in Computed Tomography [27.27657839726696]
  CTSpine1Kと呼ばれる大規模な脊椎CTデータセットを導入する。 このデータセットは1,005CTボリュームを含み、11,100以上のラベル付き脊椎は異なる脊椎の状態に属している。
  論文  参考訳（メタデータ） (2021-05-31T05:34:27Z)
• Three-dimensional Segmentation of the Scoliotic Spine from MRI using Unsupervised Volume-based MR-CT Synthesis [3.6273410177512275]
  本研究では,無教師付き完全3次元(3次元)クロスモダリティ合成法を提案する。 3D CycleGANモデルはMR領域とCT領域にまたがるボリューム・ツー・ボリューム変換のために訓練される。 結果として生じるセグメンテーションは、脊椎の3次元モデルを再構成するために使用される。
  論文  参考訳（メタデータ） (2020-11-25T18:34:52Z)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。