論文の概要: Open source software for automatic subregional assessment of knee
cartilage degradation using quantitative T2 relaxometry and deep learning
- arxiv url: http://arxiv.org/abs/2012.12406v1
- Date: Tue, 22 Dec 2020 23:08:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:16:32.639481
- Title: Open source software for automatic subregional assessment of knee
cartilage degradation using quantitative T2 relaxometry and deep learning
- Title(参考訳): 定量的t2自由度測定と深層学習による膝軟骨劣化の自動評価のためのオープンソースソフトウェア
- Authors: Kevin A. Thomas (1), Dominik Krzemi\'nski (2), {\L}ukasz Kidzi\'nski
(3), Rohan Paul (1), Elka B. Rubin (4), Eni Halilaj (5), Marianne S. Black
(4) Akshay Chaudhari (1,4), Garry E. Gold (3,4,6), Scott L. Delp (3,6,7) ((1)
Department of Biomedical Data Science, Stanford University, California, USA
(2) Cardiff University Brain Research Imaging Centre, Cardiff University,
United Kingdom (3) Department of Biomedical Engineering, Stanford University,
California, USA (4) Department of Radiology, Stanford University, California,
USA (5) Department of Mechanical Engineering, Carnegie Mellon University,
Pennsylvania, USA (6) Department of Orthopaedic Surgery, Stanford University,
California, USA (7) Department of Mechanical Engineering, Stanford
University, California, USA)
- Abstract要約: MESE MRIから大腿骨軟骨を分割するためにニューラルネットワークを訓練した。
軟骨は中側,表層深度,前後境界に沿って12の亜領域に分けられた。
- 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: Objective: We evaluate a fully-automated femoral cartilage segmentation model
for measuring T2 relaxation values and longitudinal changes using multi-echo
spin echo (MESE) MRI. We have open sourced this model and corresponding
segmentations. Methods: We trained a neural network to segment femoral
cartilage from MESE MRIs. Cartilage was divided into 12 subregions along
medial-lateral, superficial-deep, and anterior-central-posterior boundaries.
Subregional T2 values and four-year changes were calculated using a
musculoskeletal radiologist's segmentations (Reader 1) and the model's
segmentations. These were compared using 28 held out images. A subset of 14
images were also evaluated by a second expert (Reader 2) for comparison.
Results: Model segmentations agreed with Reader 1 segmentations with a Dice
score of 0.85 +/- 0.03. The model's estimated T2 values for individual
subregions agreed with those of Reader 1 with an average Spearman correlation
of 0.89 and average mean absolute error (MAE) of 1.34 ms. The model's estimated
four-year change in T2 for individual regions agreed with Reader 1 with an
average correlation of 0.80 and average MAE of 1.72 ms. The model agreed with
Reader 1 at least as closely as Reader 2 agreed with Reader 1 in terms of Dice
score (0.85 vs 0.75) and subregional T2 values. Conclusions: We present a fast,
fully-automated model for segmentation of MESE MRIs. Assessments of cartilage
health using its segmentations agree with those of an expert as closely as
experts agree with one another. This has the potential to accelerate
osteoarthritis research.
- Abstract(参考訳): 目的: マルチエコースピンエコー(mese)mriによるt2リラクゼーション値および経時的変化を測定するために, 全自動大腿骨軟骨分割モデルを評価する。
我々はこのモデルと対応するセグメンテーションをオープンソース化した。
方法: MESE MRIから大腿骨軟骨を分離するニューラルネットワークを訓練した。
軟骨は中側,表層深度,前後境界に沿って12の亜領域に分けられた。
筋骨格ラジオロジストのセグメンテーション(Reader 1)とモデルセグメンテーションを用いて, 局所T2値と4年間の変化を算出した。
28枚の画像で比較した。
また、比較のために第2の専門家(Reader 2)によって14枚の画像のサブセットも評価された。
結果: モデルのセグメンテーションは読者1のセグメンテーションと一致し, サイススコアは 0.85 +/- 0.03 であった。
モデルによる各サブリージョンのt2値は、平均スピアマン相関が 0.89、平均平均絶対誤差 (mae) が 1.34ms のリーダー1と一致した。
モデルによる各領域でのt2の4年間の変化は、平均相関が0.80、平均 mae が1.72msでリーダー1と一致した。
モデルは reader 1 と少なくとも reader 2 と同様に、dice score (0.85 vs 0.75) と subregional t2 の点で reader 1 と一致する。
結論: MESE MRI のセグメント化のための高速かつ完全自動モデルを提案する。
分節を用いた軟骨の健康評価は、専門家が互いに同意する限り、専門家のそれと密接に一致する。
これは変形性関節症の研究を加速する可能性がある。
関連論文リスト
- 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) - Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。
そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。
T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
論文 参考訳(メタデータ) (2024-05-20T20:37:27Z) - SPINEPS -- Automatic Whole Spine Segmentation of T2-weighted MR images using a Two-Phase Approach to Multi-class Semantic and Instance Segmentation [6.931184815441744]
我々は,T2wMRI画像中の14個の脊髄構造の意味とインスタンスセグメンテーションのためのオープンソースのディープラーニング手法を提案する。
SPIDERデータセット(被験者218名,女性63%)とドイツ国立コホート(被験者1423名,平均53名,女性49%)をトレーニングおよび評価に使用した。
自動生成アノテーションのトレーニングとGNCによる手動修正試験データによる評価では、脊椎では0.900点、椎間板では0.960点、脊椎では0.947点が得られた。
論文 参考訳(メタデータ) (2024-02-26T07:45:14Z) - Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI
using Deep Learning [0.0]
我々は,CTおよびMRIを用いたソフト・タウト・腫瘍(STT)のための,最小限の対話型深層学習に基づくセグメンテーション法を開発した。
この方法は、畳み込みニューラルネットワークの入力として、腫瘍の極端な境界付近で6つの点をクリックする必要がある。
論文 参考訳(メタデータ) (2024-02-12T16:15:28Z) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳(メタデータ) (2023-08-24T15:32:27Z) - MAPPING: Model Average with Post-processing for Stroke Lesion
Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。
本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文 参考訳(メタデータ) (2022-11-11T14:17:04Z) - 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) - 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) - 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) - 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) - The International Workshop on Osteoarthritis Imaging Knee MRI
Segmentation Challenge: A Multi-Institute Evaluation and Analysis Framework
on a Standardized Dataset [10.527298477861564]
人工膝関節置換術を施行し, 人工膝関節置換術を施行し, 人工膝関節置換術を施行した。
Diceスコア, 平均対称表面距離, ボリュームオーバーラップ誤差, およびホールドアウトテストセットの変動係数を用いて, 課題提出と多数投票のアンサンブルを評価した。
論文 参考訳(メタデータ) (2020-04-29T07:54:26Z)
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。