Fugu-MT 論文翻訳(概要): Automated segmentation of 3-D body composition on computed tomography

論文の概要: Automated segmentation of 3-D body composition on computed tomography

arxiv url: http://arxiv.org/abs/2112.08968v1
Date: Thu, 16 Dec 2021 15:38:27 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 19:01:22.348293
Title: Automated segmentation of 3-D body composition on computed tomography
Title（参考訳）: CTによる三次元体組成の自動分割
Authors: Lucy Pu, Syed F. Ashraf, Naciye S Gezer, Iclal Ocak, Rajeev Dhupar
Abstract要約: VAT,SAT,IMAT,SM,骨の5種類の異なる体組成を手動でアノテートした。畳み込みニューラルネットワーク(CNN)の性能評価と評価に10倍のクロスバリデーション法が用いられた。 3つのCNNモデルの中で、UNetは5つのボディ構成を共同でセグメント化する上で、最高の全体的な性能を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: To develop and validate a computer tool for automatic and simultaneous segmentation of body composition depicted on computed tomography (CT) scans for the following tissues: visceral adipose (VAT), subcutaneous adipose (SAT), intermuscular adipose (IMAT), skeletal muscle (SM), and bone. Approach: A cohort of 100 CT scans acquired from The Cancer Imaging Archive (TCIA) was used - 50 whole-body positron emission tomography (PET)-CTs, 25 chest, and 25 abdominal. Five different body compositions were manually annotated (VAT, SAT, IMAT, SM, and bone). A training-while-annotating strategy was used for efficiency. The UNet model was trained using the already annotated cases. Then, this model was used to enable semi-automatic annotation for the remaining cases. The 10-fold cross-validation method was used to develop and validate the performance of several convolutional neural networks (CNNs), including UNet, Recurrent Residual UNet (R2Unet), and UNet++. A 3-D patch sampling operation was used when training the CNN models. The separately trained CNN models were tested to see if they could achieve a better performance than segmenting them jointly. Paired-samples t-test was used to test for statistical significance. Results: Among the three CNN models, UNet demonstrated the best overall performance in jointly segmenting the five body compositions with a Dice coefficient of 0.840+/-0.091, 0.908+/-0.067, 0.603+/-0.084, 0.889+/-0.027, and 0.884+/-0.031, and a Jaccard index of 0.734+/-0.119, 0.837+/-0.096, 0.437+/-0.082, 0.800+/-0.042, 0.793+/-0.049, respectively for VAT, SAT, IMAT, SM, and bone. Conclusion: There were no significant differences among the CNN models in segmenting body composition, but jointly segmenting body compositions achieved a better performance than segmenting them separately.
Abstract（参考訳）: 目的: 内臓脂肪(VAT)、皮下脂肪(SAT)、間組織脂肪(IMAT)、骨格筋(SM)、骨などの組織に対して、CTスキャンで表される体組成の自動的かつ同時セグメンテーションのためのコンピュータツールを開発し、検証すること。アプローチ: The Cancer Imaging Archive (TCIA) から取得した100個のCTのコホートを用いて,50個のPET-CT,25個の胸,25個の腹腔を採取した。 5つの異なる体組成(vat, sat, imat, sm, bone)を手動で注釈した。訓練期間のアノテート戦略を効率性に用いた。 UNetモデルは、すでに注釈付きケースを使用してトレーニングされた。そして、このモデルを用いて、残りのケースに対する半自動アノテーションを実現した。 10倍のクロスバリデーション法は、UNet、Recurrent Residual UNet(R2Unet)、UNet++など、いくつかの畳み込みニューラルネットワーク(CNN)の性能の開発と検証に使用された。 CNNモデルのトレーニングには3Dパッチサンプリング操作が使用された。個別に訓練されたCNNモデルは、共同でセグメント化するよりも優れたパフォーマンスを達成できるかどうかを確認するためにテストされた。 Paired-samples t-test を用いて統計的意義を調べた。結果: 3つのCNNモデルのうち, UNet は, VAT, SAT, IMAT, SM, 骨の5つの体組成を, 0.840+/-0.091, 0.908+/-0.067, 0.603+/-0.084, 0.889+/-0.027, 0.884+/-0.031, ジャカード指数 0.734+/-0.119, 0.837+/-0.096, 0.437+/-0.082, 0.800+/-0.042, 0.793+/-0.049 で分割した。結論: cnnモデルでは分節体組成に有意な差は認められなかったが, 分節体組成は別々に分節するよりも良好な性能を得た。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。モデルの性能をいくつかのベンチマークで検証した。
論文参考訳（メタデータ） (2024-09-12T02:19:19Z)
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)
Brain Tumor Radiogenomic Classification [1.8276368987462532]
2次分類によるグリオ芽腫のMGMTバイオマーカー状態の予測を目的としたRSNA-MICCAI脳腫瘍ラジオゲノミクス分類の試みデータセットはトレーニングセット、トレーニング中に使用された検証セット、最終評価時にのみ使用されるテストの3つの主要なコホートに分割される。
論文参考訳（メタデータ） (2024-01-11T10:30:09Z)
VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model [0.0]
本稿では,完全自動3次元脊椎椎体分割畳み込みニューラルネットワーク(CNN)モデルであるVertDetectを提案する。共有CNNバックボーンの利用は、脊髄と脊椎の両方のレベル情報を含む特徴マップを備えたネットワークの検出とセグメンテーションのブランチを提供する。このモデルは、エンド・ツー・エンドのアーキテクチャにおいて最先端のパフォーマンスを達成し、その設計により、その後下流のタスクに使用できる機能の抽出が容易になる。
論文参考訳（メタデータ） (2023-11-16T15:29:21Z)
Attention and Pooling based Sigmoid Colon Segmentation in 3D CT images [11.861208424384046]
シグモイド結腸は憩室炎を治療するための重要な側面である。本研究はCT画像からシグモイド結腸を抽出するための新しいディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-09-25T04:52:46Z)
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)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
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)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)

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。