論文の概要: Tracked 3D Ultrasound and Deep Neural Network-based Thyroid Segmentation
reduce Interobserver Variability in Thyroid Volumetry
- arxiv url: http://arxiv.org/abs/2108.10118v1
- Date: Tue, 10 Aug 2021 23:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-29 12:09:20.603688
- Title: Tracked 3D Ultrasound and Deep Neural Network-based Thyroid Segmentation
reduce Interobserver Variability in Thyroid Volumetry
- Title(参考訳): トラクテッド3次元超音波とディープニューラルネットワークによる甲状腺容積のオブザーバ変動低減
- Authors: Markus Kr\"onke, Christine Eilers, Desislava Dimova, Melanie K\"ohler,
Gabriel Buschner, Lilit Mirzojan, Lemonia Konstantinidou, Marcus R. Makowski,
James Nagarajah, Nassir Navab, Wolfgang Weber, Thomas Wendler
- Abstract要約: 2D超音波による従来の甲状腺容積は、非常に操作性に依存している。
本研究では,深部神経回路を用いた2次元超音波と3次元超音波と自動甲状腺セグメンテーションを比較した。
- 参考スコア(独自算出の注目度): 28.770245131905643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Thyroid volumetry is crucial in diagnosis, treatment and
monitoring of thyroid diseases. However, conventional thyroid volumetry with 2D
ultrasound is highly operator-dependent. This study compares 2D ultrasound and
tracked 3D ultrasound with an automatic thyroid segmentation based on a deep
neural network regarding inter- and intraobserver variability, time and
accuracy. Volume reference was MRI. Methods: 28 healthy volunteers were scanned
with 2D and 3D ultrasound as well as by MRI. Three physicians (MD 1, 2, 3) with
different levels of experience (6, 4 and 1 a) performed three 2D ultrasound and
three tracked 3D ultrasound scans on each volunteer. In the 2D scans the
thyroid lobe volumes were calculated with the ellipsoid formula. A
convolutional deep neural network (CNN) segmented the 3D thyroid lobes
automatically. On MRI (T1 VIBE sequence) the thyroid was manually segmented by
an experienced medical doctor. Results: The CNN was trained to obtain a dice
score of 0.94. The interobserver variability comparing two MDs showed mean
differences for 2D and 3D respectively of 0.58 ml to 0.52 ml (MD1 vs. 2), -1.33
ml to -0.17 ml (MD1 vs. 3) and -1.89 ml to -0.70 ml (MD2 vs. 3). Paired samples
t-tests showed significant differences in two comparisons for 2D and none for
3D. Intraobsever variability was similar for 2D and 3D ultrasound. Comparison
of ultrasound volumes and MRI volumes by paired samples t-tests showed a
significant difference for the 2D volumetry of all MDs, and no significant
difference for 3D ultrasound. Acquisition time was significantly shorter for 3D
ultrasound. Conclusion: Tracked 3D ultrasound combined with a CNN segmentation
significantly reduces interobserver variability in thyroid volumetry and
increases the accuracy of the measurements with shorter acquisition times.
- Abstract(参考訳): 背景:甲状腺容積検査は甲状腺疾患の診断,治療,モニタリングに重要である。
しかし,従来の2次元超音波を用いた甲状腺体積検査は術者に依存しない。
本研究では,2次元超音波と追跡された3次元超音波と,深部ニューラルネットワークを用いた自動甲状腺セグメンテーションを比較した。
参考文献はMRI。
方法: 健常者28名を対象に2dおよび3d超音波検査およびmri検査を行った。
3名の医師(6例, 4例, 1例)が各ボランティアに対して3つの2D超音波と3つの追跡3D超音波検査を行った。
2dスキャンでは甲状腺葉容積を楕円形式で算出した。
畳み込みディープニューラルネットワーク(CNN)は、3D甲状腺葉を自動的に分割する。
MRI(T1 VIBE sequence)では、甲状腺は経験豊富な医師によって手動で分節された。
結果: CNNはダイススコア0.94を得るために訓練された。
2つのMDを比較したオブザーバ変動は、それぞれ0.58mlから0.52ml(MD1 vs.2)、-1.33mlから-0.17ml(MD1 vs.3)、-1.89mlから-0.70ml(MD2 vs.3)の平均的な差を示した。
Paired sample t-tests were significant difference in two comparisons for 2D and nothing for 3D。
2次元超音波と3次元超音波で観察した。
t-testによる超音波量とmri容積の比較では,全mdsの2d容積に有意差を認め,3d超音波では有意差は認められなかった。
3D超音波では取得時間が有意に短かった。
結語: 追跡3D超音波とCNNセグメンテーションを併用すると, 甲状腺容積の変化が著しく減少し, 取得時間の短縮で測定精度が向上する。
関連論文リスト
- Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳(メタデータ) (2024-11-24T12:11:11Z) - Automatic Segmentation of the Spinal Cord Nerve Rootlets [0.0]
本研究の目的は,T2強調MRIによる脊髄神経根のセマンティックセグメンテーションのための自動手法を開発することである。
2つのオープンアクセスMRIデータセットから得られた画像は、C2-C8背側神経根をセグメント化するためのアクティブな学習アプローチを使用して、3D畳み込みニューラルネットワークを訓練するために使用された。
この方法は、トレーニング中に見つからないデータセットの3T T2強調画像を用いて、サイト間、セッション間、解像度間の変動を評価した。
論文 参考訳(メタデータ) (2024-02-01T16:14:54Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳(メタデータ) (2022-09-20T11:58:23Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - SpineNetV2: Automated Detection, Labelling and Radiological Grading Of
Clinical MR Scans [70.04389979779195]
SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。
また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
論文 参考訳(メタデータ) (2022-05-03T15:05:58Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳(メタデータ) (2021-09-14T09:17:27Z) - End-to-end Ultrasound Frame to Volume Registration [9.738024231762465]
2次元および3次元の登録のためのエンドツーエンドのフレーム・ツー・ボリューム登録ネットワーク(FVR-Net)を提案する。
提案モデルでは, リアルタイム介入指導において, 高い競争力のある登録精度で優れた効率性を示す。
論文 参考訳(メタデータ) (2021-07-14T01:59:42Z) - 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) - Pulmonary Nodule Malignancy Classification Using its Temporal Evolution
with Two-Stream 3D Convolutional Neural Networks [1.8296223238169225]
異なるタイミングで採取した同一患者から2つの肺結節体積を共同解析することにより悪性度を予測する2ストリーム3次元畳み込みニューラルネットワークを提案する。
ベストな結果は、F1スコアの9%と12%の増分でテスト中のF1スコアの77%を達成している。
論文 参考訳(メタデータ) (2020-05-22T18:19:32Z)
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。