論文の概要: Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies
- arxiv url: http://arxiv.org/abs/2008.02251v1
- Date: Wed, 5 Aug 2020 17:30:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:56:07.081155
- Title: Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies
- Title（参考訳）: 疫学コホート研究の3次元mriにおける深層学習による脂肪組織区画の完全自動化と標準化
- Authors: Thomas K\"ustner, Tobias Hepp, Marc Fischer, Martin Schwartz, Andreas
Fritsche, Hans-Ulrich H\"aring, Konstantin Nikolaou, Fabian Bamberg, Bin
Yang, Fritz Schick, Sergios Gatidis, J\"urgen Machann
- Abstract要約: 全身MR画像から異なる脂肪組織成分の定量化と局在化が,代謝状態の解明に重要である。
本稿では,頑健で客観的なセグメンテーションを実現するために,3次元畳み込みニューラルネットワーク(DCNet)を提案する。
高速(5-7秒)かつ信頼性の高い脂肪組織セグメンテーションを高Dice重なりで得ることができる。
- 参考スコア（独自算出の注目度）: 11.706960468832301
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To enable fast and reliable assessment of subcutaneous and visceral
adipose tissue compartments derived from whole-body MRI. Methods:
Quantification and localization of different adipose tissue compartments from
whole-body MR images is of high interest to examine metabolic conditions. For
correct identification and phenotyping of individuals at increased risk for
metabolic diseases, a reliable automatic segmentation of adipose tissue into
subcutaneous and visceral adipose tissue is required. In this work we propose a
3D convolutional neural network (DCNet) to provide a robust and objective
segmentation. In this retrospective study, we collected 1000 cases (66$\pm$ 13
years; 523 women) from the Tuebingen Family Study and from the German Center
for Diabetes research (TUEF/DZD), as well as 300 cases (53$\pm$ 11 years; 152
women) from the German National Cohort (NAKO) database for model training,
validation, and testing with a transfer learning between the cohorts. These
datasets had variable imaging sequences, imaging contrasts, receiver coil
arrangements, scanners and imaging field strengths. The proposed DCNet was
compared against a comparable 3D UNet segmentation in terms of sensitivity,
specificity, precision, accuracy, and Dice overlap. Results: Fast (5-7seconds)
and reliable adipose tissue segmentation can be obtained with high Dice overlap
(0.94), sensitivity (96.6%), specificity (95.1%), precision (92.1%) and
accuracy (98.4%) from 3D whole-body MR datasets (field of view coverage
450x450x2000mm${}^3$). Segmentation masks and adipose tissue profiles are
automatically reported back to the referring physician. Conclusion: Automatic
adipose tissue segmentation is feasible in 3D whole-body MR data sets and is
generalizable to different epidemiological cohort studies with the proposed
DCNet.
- Abstract（参考訳）: 目的:全身MRIによる皮下脂肪組織および内臓脂肪組織複合体の迅速かつ確実な評価を可能にする。
方法: 全身MR画像から異なる脂肪組織区画の定量化と局在化は, 代謝状態を調べる上で重要である。
メタボリック疾患のリスクが高い個体の正確な同定と表現のために,皮下および内臓脂肪組織への脂肪組織の自動分割が求められている。
本研究では,ロバストで客観的なセグメンテーションを実現する3次元畳み込みニューラルネットワーク(dcnet)を提案する。
本研究では,テュービンゲン家研究センター(TUEF/DZD)とドイツ糖尿病研究センター(TUEF/DZD)から1000例(66$\pm$13年,523人の女性)と,ドイツ国立コーホート(NAKO)データベースから300例(53$\pm$11年,女性152名)を収集し,モデルトレーニング,検証,コホート間の移行学習を行った。
これらのデータセットは、画像シーケンス、画像コントラスト、受信コイル配置、スキャナ、画像フィールド強度が可変であった。
提案するdcnetは,感度,特異性,精度,精度,ダイス重なりの観点から,同等の3次元unetセグメンテーションと比較した。
結果: 高速(5-7秒)および高分解能組織セグメンテーションは高Diceオーバーラップ(0.94)、感度(96.6%)、特異性(95.1%)、精度(92.1%)、精度(98.4%)を3次元全身MRデータセット(視野範囲450x450x2000mm${}^3$)から得られる。
セグメンテーションマスクと脂肪組織プロファイルは、参照医師に自動的に報告される。
結論: 自動脂肪組織分画は3次元mrデータセットで実現可能であり, 提案するdcnetと異なる疫学コホート研究に一般化できる。
関連論文リスト
- Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - 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) - 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass
Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。
患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
論文 参考訳（メタデータ） (2020-12-08T19:38:01Z) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳（メタデータ） (2020-10-28T21:07:09Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - Fully-automated Body Composition Analysis in Routine CT Imaging Using 3D
Semantic Segmentation Convolutional Neural Networks [0.6999740786886535]
生体組織組成は、心臓血管疾患、腫瘍疾患、整形外科疾患において高い診断と予後を有するバイオマーカーである。
本研究の目的は,腹部CT検査による全身組織組成の完全自動的,再現性,定量的な3次元容積化を開発することである。
論文 参考訳（メタデータ） (2020-02-25T10:17:19Z)
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。