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
- Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。
The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。
総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
論文 参考訳（メタデータ） (2024-06-25T09:56:30Z) - 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) - A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy [3.5752677591512487]
この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。
心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。
訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。
Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
論文 参考訳（メタデータ） (2023-05-19T14:51:05Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - 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) - 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) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z) - A Deep Learning-Based Method for Automatic Segmentation of Proximal
Femur from Quantitative Computed Tomography Images [5.731199807877257]
我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。
提案手法の有効性を評価する実験を行った。
論文 参考訳（メタデータ） (2020-06-09T21:16:47Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。