論文の概要: Deep Learning Body Region Classification of MRI and CT examinations
- arxiv url: http://arxiv.org/abs/2104.13826v1
- Date: Wed, 28 Apr 2021 15:20:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 12:53:03.014167
- Title: Deep Learning Body Region Classification of MRI and CT examinations
- Title（参考訳）: MRIとCTの深層学習身体領域分類
- Authors: Philippe Raffy, Jean-Fran\c{c}ois Pambrun, Ashish Kumar, David Dubois,
Jay Waldron Patti, Robyn Alexandra Cairns, Ryan Young
- Abstract要約: CTおよびMRIの身体領域を識別するためにCNNベースの分類器が開発された。
AIモデルのトレーニング、検証、テストのために3つのレトロスペクティブデータベースが構築された。
画像レベルの予測精度はCTでは91.9%(90.2～92.1)、MRIでは94.2%(92.0～95.6)であった。
- 参考スコア（独自算出の注目度）: 5.511558765147004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standardized body region labelling of individual images provides data that
can improve human and computer use of medical images. A CNN-based classifier
was developed to identify body regions in CT and MRI. 17 CT (18 MRI) body
regions covering the entire human body were defined for the classification
task. Three retrospective databases were built for the AI model training,
validation, and testing, with a balanced distribution of studies per body
region. The test databases originated from a different healthcare network.
Accuracy, recall and precision of the classifier was evaluated for patient age,
patient gender, institution, scanner manufacturer, contrast, slice thickness,
MRI sequence, and CT kernel. The data included a retrospective cohort of 2,934
anonymized CT cases (training: 1,804 studies, validation: 602 studies, test:
528 studies) and 3,185 anonymized MRI cases (training: 1,911 studies,
validation: 636 studies, test: 638 studies). 27 institutions from primary care
hospitals, community hospitals and imaging centers contributed to the test
datasets. The data included cases of all genders in equal proportions and
subjects aged from a few months old to +90 years old. An image-level prediction
accuracy of 91.9% (90.2 - 92.1) for CT, and 94.2% (92.0 - 95.6) for MRI was
achieved. The classification results were robust across all body regions and
confounding factors. Due to limited data, performance results for subjects
under 10 years-old could not be reliably evaluated. We show that deep learning
models can classify CT and MRI images by body region including lower and upper
extremities with high accuracy.
- Abstract（参考訳）: 個々の画像の標準化された身体領域ラベリングは、医療画像の人的およびコンピュータ的使用を改善するデータを提供する。
CNNに基づく分類器はCTとMRIの身体領域を識別するために開発された。
人体全体を覆う17個のCT (18 MRI) の身体領域を分類課題として定義した。
aiモデルのトレーニング、検証、テストのために、3つの振り返りデータベースが構築され、ボディ領域ごとの研究のバランスのとれた分散が構築された。
テストデータベースは、異なる医療ネットワークに由来する。
患者年齢, 性別, 施設, スキャナーメーカー, コントラスト, スライス厚, MRI シークエンス, CT カーネルについて, 分類器の精度, 再現性, 精度を評価した。
このデータには2,934件の匿名CT(トレーニング:1,804件、検証:602件、検査:528件)と3,185件の匿名MRI(トレーニング:1,911件、検証:636件、検査:638件)の振り返りコホートが含まれていた。
プライマリケア病院、地域病院、画像センターの27の機関がテストデータセットに寄与した。
このデータには、同じ割合の男女のケースと、数ヶ月から90歳までの被験者が含まれていた。
画像レベルの予測精度はCTでは91.9%(90.2～92.1)、MRIでは94.2%(92.0～95.6)であった。
分類結果は,全体域にまたがって頑健であり,背景因子も良好であった。
限られたデータにより、10歳未満の被験者のパフォーマンスは確実に評価できなかった。
深層学習モデルでは,下肢と上肢を含む身体領域でCTとMRIの画像を高精度に分類できることを示す。
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) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage
Using A Deep Learning Model Based On The Initial CT Scan [34.86503928854081]
畳み込みニューラルネットワーク(CNN)は、画像データから高精度な予測を生成することができる。
本研究の目的は,CNN を用いたCT スキャンにより,下垂体出血患者の死亡率を予測することであった。
論文 参考訳（メタデータ） (2023-08-25T13:33:56Z) - 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 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) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - SCREENet: A Multi-view Deep Convolutional Neural Network for
Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。
画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
論文 参考訳（メタデータ） (2020-09-18T00:12:33Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。