論文の概要: A Deep Learning-Based Approach to Extracting Periosteal and Endosteal
Contours of Proximal Femur in Quantitative CT Images
- arxiv url: http://arxiv.org/abs/2102.01990v1
- Date: Wed, 3 Feb 2021 10:23:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:17:05.259813
- Title: A Deep Learning-Based Approach to Extracting Periosteal and Endosteal
Contours of Proximal Femur in Quantitative CT Images
- Title（参考訳）: 定量的ct画像における大腿骨近位部および内膜輪郭の深部学習に基づく抽出法
- Authors: Yu Deng, Ling Wang, Chen Zhao, Shaojie Tang, Xiaoguang Cheng, Hong-Wen
Deng, Weihua Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.76523855274612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic CT segmentation of proximal femur is crucial for the diagnosis and
risk stratification of orthopedic diseases; however, current methods for the
femur CT segmentation mainly rely on manual interactive segmentation, which is
time-consuming and has limitations in both accuracy and reproducibility. In
this study, we proposed an approach based on deep learning for the automatic
extraction of the periosteal and endosteal contours of proximal femur in order
to differentiate cortical and trabecular bone compartments. A three-dimensional
(3D) end-to-end fully convolutional neural network, which can better combine
the information between neighbor slices and get more accurate segmentation
results, was developed for our segmentation task. 100 subjects aged from 50 to
87 years with 24,399 slices of proximal femur CT images were enrolled in this
study. The separation of cortical and trabecular bone derived from the QCT
software MIAF-Femur was used as the segmentation reference. We randomly divided
the whole dataset into a training set with 85 subjects for 10-fold
cross-validation and a test set with 15 subjects for evaluating the performance
of models. Two models with the same network structures were trained and they
achieved a dice similarity coefficient (DSC) of 97.87% and 96.49% for the
periosteal and endosteal contours, respectively. To verify the excellent
performance of our model for femoral segmentation, we measured the volume of
different parts of the femur and compared it with the ground truth and the
relative errors between predicted result and ground truth are all less than 5%.
It demonstrated a strong potential for clinical use, including the hip fracture
risk prediction and finite element analysis.
- Abstract（参考訳）: 整形外科疾患の診断とリスク層化には, 大腿骨近位部の自動CTセグメンテーションが重要であるが, 現在では, 手動の対話的セグメンテーションが中心であり, 精度と再現性に限界がある。
そこで本研究では,大腿骨近位部の骨膜および骨内輪郭の自動抽出法として,深層学習に基づくアプローチを提案する。
3次元(3次元)の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は,隣接スライス間の情報をよりよく結合し,より正確なセグメンテーション結果を得ることができる。
対象は50歳から87歳までの100例で, 大腿骨近位部CT像は24,399スライスであった。
QCTソフトウェアMIAF-Femurから派生した皮質骨とトラベキュラー骨の分離をセグメンテーションリファレンスとして使用しました。
データセット全体を10倍のクロスバリデーションのための85項目のトレーニングセットと,モデルの性能評価のための15項目のテストセットにランダムに分割した。
同じネットワーク構造を持つ2つのモデルが訓練され、それぞれ周骨および内骨輪郭に対して97.87%および96.49%のダイス類似係数(DSC)を達成した。
大腿骨セグメンテーションモデルの優れた性能を検証するために,大腿骨の異なる部位の体積を測定し,基底真理と比較し,予測結果と基底真偽の相対誤差は5%以下であった。
股関節骨折のリスク予測や有限要素分析など,臨床応用への強力な可能性を示した。
関連論文リスト
- Fusion of Diffusion Weighted MRI and Clinical Data for Predicting
Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。
AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
論文 参考訳（メタデータ） (2024-02-16T18:51:42Z) - Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic
Stroke on Non-contrast CT [2.0296858917615856]
急性期脳梗塞患者233例の非コントラストCTは260例であった。
U-Netベンチマークは、経験豊富な3人の神経放射線学者の基準アノテーションに基づいて、多数決とランダムな専門家サンプリングトレーニングスキームを用いて虚血性脳組織を分別するように訓練された。
ランダムな専門家サンプリングに基づいてトレーニングされたモデルでは、CT灌流に似た非コントラストCT上の急性虚血性脳組織の存在と位置を専門家よりも優れた一貫性で特定することができる。
論文 参考訳（メタデータ） (2023-09-07T16:59:38Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - 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) - 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) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Automated femur segmentation from computed tomography images using a
deep neural network [0.0]
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。
論文 参考訳（メタデータ） (2021-01-27T23:37:56Z) - 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) - 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) - 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)
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。