論文の概要: Automated segmentation of an intensity calibration phantom in clinical
CT images using a convolutional neural network
- arxiv url: http://arxiv.org/abs/2012.11151v1
- Date: Mon, 21 Dec 2020 07:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:35:02.932644
- Title: Automated segmentation of an intensity calibration phantom in clinical
CT images using a convolutional neural network
- Title（参考訳）: 畳み込みニューラルネットワークを用いた臨床CT画像における強度校正ファントムの自動セグメンテーション
- Authors: Keisuke Uemura (1 and 2), Yoshito Otake (1), Masaki Takao (3), Mazen
Soufi (1), Akihiro Kawasaki (1), Nobuhiko Sugano (2), Yoshinobu Sato (1) ((1)
Division of Information Science, Graduate School of Science and Technology,
Nara Institute of Science and Technology, Ikoma city, Japan, (2) Department
of Orthopaedic Medical Engineering, Osaka University Graduate School of
Medicine, Suita city, Japan, (3) Department of Orthopaedics, Osaka University
Graduate School of Medicine, Suita city, Japan)
- Abstract要約: CT(Computerd Tomography)画像のセグメント強度キャリブレーションファントム領域に畳み込みニューラルネットワーク(CNN)を適用します。
システムを大きなコホートでテストして、その堅牢性を評価します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Purpose: To apply a convolutional neural network (CNN) to develop a system
that segments intensity calibration phantom regions in computed tomography (CT)
images, and to test the system in a large cohort to evaluate its robustness.
Methods: A total of 1040 cases (520 cases each from two institutions), in which
an intensity calibration phantom (B-MAS200, Kyoto Kagaku, Kyoto, Japan) was
used, were included herein. A training dataset was created by manually
segmenting the regions of the phantom for 40 cases (20 cases each).
Segmentation accuracy of the CNN model was assessed with the Dice coefficient
and the average symmetric surface distance (ASD) through the 4-fold cross
validation. Further, absolute differences of radiodensity values (in Hounsfield
units: HU) were compared between manually segmented regions and automatically
segmented regions. The system was tested on the remaining 1000 cases. For each
institution, linear regression was applied to calculate coefficients for the
correlation between radiodensity and the densities of the phantom. Results:
After training, the median Dice coefficient was 0.977, and the median ASD was
0.116 mm. When segmented regions were compared between manual segmentation and
automated segmentation, the median absolute difference was 0.114 HU. For the
test cases, the median correlation coefficient was 0.9998 for one institution
and was 0.9999 for the other, with a minimum value of 0.9863. Conclusions: The
CNN model successfully segmented the calibration phantom's regions in the CT
images with excellent accuracy, and the automated method was found to be at
least equivalent to the conventional manual method. Future study should
integrate the system by automatically segmenting the region of interest in
bones such that the bone mineral density can be fully automatically quantified
from CT images.
- Abstract（参考訳）: 目的:CT画像の強度校正ファントム領域を分割するシステムを開発するために畳み込みニューラルネットワーク(CNN)を適用し,その堅牢性を評価するために大きなコホートでシステムをテストする。
方法: 強度校正ファントム(b-mas200、京都華学、京都)を使用した計1040例(各2機関520例)を含む。
トレーニングデータセットは、ファントムの領域を40ケース(それぞれ20ケース)で手動でセグメンテーションすることで作成されました。
cnnモデルのセグメンテーション精度を4次元クロス検証によりdice係数と平均対称表面距離(asd)で評価した。
さらに, 放射線密度値の絶対差(hounsfield unit: hu)を, 手動セグメンテーション領域と自動セグメンテーション領域で比較した。
システムは残りの1000件で試験された。
各施設において,放射密度とファントム密度の相関係数を計算するために線形回帰が適用された。
結果: トレーニング後, 中央値は0.977mm, 中央値は0.116mmであった。
分割領域を手動セグメンテーションと自動セグメンテーションで比較すると,平均絶対差は0.114 huであった。
テストケースでは, 中央相関係数が0.9998であり, 他方では0.9999であり, 最小値が0.9863であった。
結論: CNNモデルはCT画像の校正ファントム領域を精度良く分割し, 従来の手作業法と少なくとも同等の自動化法が得られた。
今後,骨密度をct画像から完全に定量化できるように骨に対する興味領域を自動的に分割してシステムを統合する必要がある。
関連論文リスト
- CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Automated segmentation of 3-D body composition on computed tomography [0.0]
VAT,SAT,IMAT,SM,骨の5種類の異なる体組成を手動でアノテートした。
畳み込みニューラルネットワーク(CNN)の性能評価と評価に10倍のクロスバリデーション法が用いられた。
3つのCNNモデルの中で、UNetは5つのボディ構成を共同でセグメント化する上で、最高の全体的な性能を示した。
論文 参考訳（メタデータ） (2021-12-16T15:38:27Z) - 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) - Automated Segmentation and Volume Measurement of Intracranial Carotid
Artery Calcification on Non-Contrast CT [8.988312874456371]
Rotterdam Studyでは,2人の観察者が2319名(平均年齢69歳,女性1154名)の非造影CTで頭蓋内頸動脈石灰化(ICAC)を手動で測定した。
ICACデラインの自動化とボリューム測定のための深層学習に基づく手法を, 振り返って開発し, 検証した。
論文 参考訳（メタデータ） (2021-07-20T12:21:45Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - 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) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳（メタデータ） (2021-01-15T07:11:02Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z)
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。