論文の概要: Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment

• arxiv url: http://arxiv.org/abs/2006.06432v1
• Date: Wed, 10 Jun 2020 12:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 06:18:21.890263
• Title: Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment
• Title（参考訳）: サルコニア評価のためのCT画像からの完全自動ディープラーニングスライス筋推定
• Authors: Fahdi Kanavati, Shah Islam, Zohaib Arain, Eric O. Aboagye, Andrea Rockall
• Abstract要約: この振り返り研究は、公開画像とプライベート画像のコレクションを用いて行われた。 方法はCTボリュームからのスライス検出と単スライスCTセグメンテーションの2段階からなる。 アウトプットはL3椎骨のCTスライスに分節した筋量であった。
• 参考スコア（独自算出の注目度）: 0.10499611180329801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To demonstrate the effectiveness of using a deep learning-based approach for a fully automated slice-based measurement of muscle mass for assessing sarcopenia on CT scans of the abdomen without any case exclusion criteria. Materials and Methods: This retrospective study was conducted using a collection of public and privately available CT images (n = 1070). The method consisted of two stages: slice detection from a CT volume and single-slice CT segmentation. Both stages used Fully Convolutional Neural Networks (FCNN) and were based on a UNet-like architecture. Input data consisted of CT volumes with a variety of fields of view. The output consisted of a segmented muscle mass on a CT slice at the level of L3 vertebra. The muscle mass is segmented into erector spinae, psoas, and rectus abdominus muscle groups. The output was tested against manual ground-truth segmentation by an expert annotator. Results: 3-fold cross validation was used to evaluate the proposed method. The slice detection cross validation error was 1.41+-5.02 (in slices). The segmentation cross validation Dice overlaps were 0.97+-0.02, 0.95+-0.04, 0.94+-0.04 for erector spinae, psoas, and rectus abdominus, respectively, and 0.96+-0.02 for the combined muscle mass. Conclusion: A deep learning approach to detect CT slices and segment muscle mass to perform slice-based analysis of sarcopenia is an effective and promising approach. The use of FCNN to accurately and efficiently detect a slice in CT volumes with a variety of fields of view, occlusions, and slice thicknesses was demonstrated.
• Abstract（参考訳）: 目的: 完全自動スライス法による筋量測定における深層学習法の有効性を実証するため, 症例除外基準を満たさずに腹部ct検査にて検討した。 材料と方法: この振り返り研究は, パブリックおよびプライベートに利用可能なCT画像集(n = 1070)を用いて行った。 方法はCTボリュームからのスライス検出と単スライスCTセグメンテーションの2段階からなる。 どちらも完全な畳み込みニューラルネットワーク(FCNN)を使用しており、UNetのようなアーキテクチャに基づいている。 入力データは様々な視野を持つCTボリュームで構成されていた。 出力は、l3椎骨のレベルでctスライス上の分節された筋肉塊から成っていた。 筋肉の塊は、直立性スピナエ、腰痛、腹直筋のグループに分けられる。 出力は、エキスパート・アノテータによって手動の地中セグメンテーションに対してテストされた。 結果: 提案手法の評価には3倍のクロスバリデーションを用いた。 スライス検出クロス検証誤差は 1.41+-5.02 であった。 セグメンテーションクロスバリデーションDiceのオーバーラップは, erector spinae, psoas, rectus abdominusそれぞれ0.97+-0.02, 0.95+-0.04, 0.94+-0.04, 複合筋量0.96+-0.02であった。 結語: サルコパニアのスライスに基づく分析を行うために, CTスライスと分節筋量を検出するディープラーニングアプローチは有効かつ有望なアプローチである。 さまざまな視野,閉塞,スライス厚さを有するCTボリュームのスライスを高精度かつ効率的に検出するために,FCNNを用いた。

関連論文リスト

• Improved 3D Whole Heart Geometry from Sparse CMR Slices [3.701571763780745]
  心臓磁気共鳴法(CMR)とCT法(CT)は、心臓血管疾患の患者を診断するための2つの一般的な非侵襲的画像診断法である。 CMRは通常、複数のスパース2Dスライスを取得し、スライス間には避けられない呼吸運動アーチファクトを持ち、CTは等方性密度データを取得するが、電離放射線を使用する。 スライスシフトアルゴリズム(SSA)、空間変換器ネットワーク(STN)、ラベル変換器ネットワーク(LTN)の組み合わせを検討する。
  論文  参考訳（メタデータ） (2024-08-14T13:03:48Z)
• A slice classification neural network for automated classification of axial PET/CT slices from a multi-centric lymphoma dataset [1.0318017891096118]
  我々は、リンパ腫/CT画像の軸スライスを分類するためにResNet-18ネットワークを訓練する。 受信機動作特性曲線(AUROC)の領域と高精度リコール曲線(AUPRC)の領域を用いてモデル性能を比較した。 我々は,スライスレベルスプリット訓練と比較して,スライスレベルスプリット訓練におけるパフォーマンス過大評価を観察し,記述した。
  論文  参考訳（メタデータ） (2024-03-11T18:57:45Z)
• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Attention-based CT Scan Interpolation for Lesion Segmentation of Colorectal Liver Metastases [2.680862925538592]
  大腸癌 (CRLM) に共通する小肝病変は, 畳み込みニューラルネットワーク (CNN) セグメンテーションモデルでは困難である。 我々は,CTスキャンにおける連続3重スライスから中間スライスを生成する,教師なしアテンションベースモデルを提案する。 モデルの出力は元の入力スライスと一致し、2つの最先端3Dセグメンテーションパイプラインにおけるセグメンテーション性能を向上する。
  論文  参考訳（メタデータ） (2023-08-30T10:21:57Z)
• 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)
• Single Slice Thigh CT Muscle Group Segmentation with Domain Adaptation and Self-Training [19.86796625044402]
  3次元MRから1枚のCTスライスにラベルを転送する自己学習による教師なし領域適応パイプラインを提案する。 152例において,全筋群の平均Diceは0.888(0.041)であった。
  論文  参考訳（メタデータ） (2022-11-30T19:04:17Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。