論文の概要: Automated femur segmentation from computed tomography images using a
deep neural network
- arxiv url: http://arxiv.org/abs/2101.11742v1
- Date: Wed, 27 Jan 2021 23:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:15:18.650041
- Title: Automated femur segmentation from computed tomography images using a
deep neural network
- Title（参考訳）: 深層ニューラルネットワークを用いたct画像からの大腿骨自動セグメンテーション
- Authors: P.A. Bjornsson, B. Helgason, H. Palsson, S. Sigurdsson, V. Gudnason,
L.M. Ellingsen
- Abstract要約: 骨粗しょう症(英: osteoporosis)は、骨の再生が古い骨の喪失に追いつかず、骨折のリスクが高まるという一般的な骨疾患である。
我々は, 深部畳み込みニューラルネットワークを用いて, CTスキャンから大腿骨の正確な, 自動化され, 堅牢で, 高速なセグメンテーションを創出する, 大腿骨近位部セグメンテーションのための新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Osteoporosis is a common bone disease that occurs when the creation of new
bone does not keep up with the loss of old bone, resulting in increased
fracture risk. Adults over the age of 50 are especially at risk and see their
quality of life diminished because of limited mobility, which can lead to
isolation and depression. We are developing a robust screening method capable
of identifying individuals predisposed to hip fracture to address this clinical
challenge. The method uses finite element analysis and relies on segmented
computed tomography (CT) images of the hip. Presently, the segmentation of the
proximal femur requires manual input, which is a tedious task, prone to human
error, and severely limits the practicality of the method in a clinical
context. Here we present a novel approach for segmenting the proximal femur
that uses a deep convolutional neural network to produce accurate, automated,
robust, and fast segmentations of the femur from CT scans. The network
architecture is based on the renowned u-net, which consists of a downsampling
path to extract increasingly complex features of the input patch and an
upsampling path to convert the acquired low resolution image into a high
resolution one. Skipped connections allow us to recover critical spatial
information lost during downsampling. The model was trained on 30 manually
segmented CT images and was evaluated on 200 ground truth manual segmentations.
Our method delivers a mean Dice similarity coefficient (DSC) and 95th
percentile Hausdorff distance (HD95) of 0.990 and 0.981 mm, respectively.
- Abstract（参考訳）: オステオポローシス(osteoporosis)は、新しい骨の創成が古い骨の喪失に追随しない場合に起こる一般的な骨疾患であり、骨折のリスクが増大する。
50歳以上の成人は特に危険にさらされており、移動性の制限によって生活の質が低下し、孤立と抑うつにつながる可能性がある。
この臨床課題を解決するために、股関節骨折を予後した個人を同定できる堅牢なスクリーニング方法を開発しています。
この方法は有限要素分析を使用し、ヒップのセグメント化されたCT画像に依存します。
現在、近位大腿骨のセグメンテーションには、面倒な作業である手動入力が必要であり、ヒューマンエラーになりやすく、臨床的文脈における方法の実用性が著しく制限される。
今回我々は,深層畳み込みニューラルネットワークを用いて,ctスキャンから大腿骨の高精度,自動化,ロバスト,高速セグメンテーションを作製する大腿骨近位部セグメンテーション法を提案する。
ネットワークアーキテクチャは、入力パッチのより複雑な特徴を抽出するダウンサンプリングパスと、取得した低解像度画像を高解像度に変換するアップサンプリングパスとからなる有名なu-netに基づいている。
スキップ接続により、ダウンサンプリング中に失われた重要な空間情報を回復できます。
モデルは手動で30個のCT画像から訓練し,200個の地中真理手動画像から評価した。
本手法は平均ディス類似度係数 (dsc) と95%パーセンタイルハウスドルフ距離 (hd95) をそれぞれ0.990mmおよび0.981mmとする。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳（メタデータ） (2022-11-24T02:55:20Z) - Orientation-guided Graph Convolutional Network for Bone Surface
Segmentation [51.51690515362261]
骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。
提案手法は,接続距離を5.01%向上させる。
論文 参考訳（メタデータ） (2022-06-16T23:01:29Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Fast and Robust Femur Segmentation from Computed Tomography Images for
Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。
本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文 参考訳（メタデータ） (2022-04-20T16:16:16Z) - 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) - Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and
Baseline Models [20.061463073787234]
複数のソースと異なるメーカからプールされた大きな骨盤CTデータセットをキュレートすることで、データギャップを埋めることを目指している。
腰椎、仙骨、左股関節、右股関節を分割するための深いマルチクラスのネットワークを学ぶために、私たちの知識を最大限に活用するために、初めて提案します。
最後に,符号付き距離関数(SDF)に基づく後処理ツールを導入し,誤予測を排除した。
論文 参考訳（メタデータ） (2020-12-16T03:30:40Z) - 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)
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。