論文の概要: Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization

• arxiv url: http://arxiv.org/abs/2204.06818v1
• Date: Thu, 14 Apr 2022 08:31:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 14:01:26.714803
• Title: Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization
• Title（参考訳）: アンカーフリーランドマークによる解釈可能な垂直き裂定量化
• Authors: Alexey Zakharov, Maxim Pisov, Alim Bukharaev, Alexey Petraikin, Sergey Morozov, Victor Gombolevskiy and Mikhail Belyaev
• Abstract要約: 椎体圧迫骨折は骨粗しょう症の早期徴候である。 3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。 そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
• 参考スコア（独自算出の注目度）: 0.04925906256430176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vertebral body compression fractures are early signs of osteoporosis. Though these fractures are visible on Computed Tomography (CT) images, they are frequently missed by radiologists in clinical settings. Prior research on automatic methods of vertebral fracture classification proves its reliable quality; however, existing methods provide hard-to-interpret outputs and sometimes fail to process cases with severe abnormalities such as highly pathological vertebrae or scoliosis. We propose a new two-step algorithm to localize the vertebral column in 3D CT images and then detect individual vertebrae and quantify fractures in 2D simultaneously. We train neural networks for both steps using a simple 6-keypoints based annotation scheme, which corresponds precisely to the current clinical recommendation. Our algorithm has no exclusion criteria, processes 3D CT in 2 seconds on a single GPU, and provides an interpretable and verifiable output. The method approaches expert-level performance and demonstrates state-of-the-art results in vertebrae 3D localization (the average error is 1 mm), vertebrae 2D detection (precision and recall are 0.99), and fracture identification (ROC AUC at the patient level is up to 0.96). Our anchor-free vertebra detection network shows excellent generalizability on a new domain by achieving ROC AUC 0.95, sensitivity 0.85, specificity 0.9 on a challenging VerSe dataset with many unseen vertebra types.
• Abstract（参考訳）: 椎体圧迫骨折は骨ポローシスの早期の徴候である。 これらの骨折はCT(CT)画像で見られるが、臨床環境では放射線医にしばしば見逃される。 椎骨骨折の自動分類法に関する以前の研究は、その信頼性の高い品質を証明しているが、既存の方法では解釈が困難であり、高度に病的な椎骨や脊柱症のような重度の異常のある症例を処理できない場合もある。 3次元ct画像に椎骨柱を局在化させ, 個々の椎骨を検出し, 2次元の骨折を同時に定量化する新しい2段階アルゴリズムを提案する。 従来の6-keypointsベースのアノテーションスキームを用いて,どちらのステップでもニューラルネットワークをトレーニングする。 アルゴリズムには除外基準がなく、1つのGPU上で2秒で3D CTを処理し、解釈可能で検証可能な出力を提供する。 この方法はエキスパートレベルの性能に接近し、椎骨3dの局在(平均誤差は1mm)、椎骨2dの検出(切開とリコールは0.99)、骨折同定(患者レベルのroc aucは0.096)の最先端結果を示す。 ROC AUC 0.95, 感度 0.85, 特異度 0.9 を, 未確認の椎体型を多数有する VerSe データセット上で達成し, 新たな領域に優れた一般化性を示した。

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)
• 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)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• Faint Features Tell: Automatic Vertebrae Fracture Screening Assisted by Contrastive Learning [11.944282446506396]
  長期の脊椎骨折は患者の生活の質に深刻な影響を与え、気胸、腰椎変形、さらには麻痺を引き起こしている。 特に、深層学習モデルや経験の浅い医師では、軽度の骨折と正常なコントロールを区別することは極めて困難である。 そこで本研究では,CTスキャンを用いてGenentの脊椎骨折度を推定するための教師付きコントラスト学習ベースモデルを提案する。 両分類では99%,感度は85%,マクロF1は77%であった。
  論文  参考訳（メタデータ） (2022-08-23T02:39:08Z)
• 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)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• Knowledge Distillation with Adaptive Asymmetric Label Sharpening for Semi-supervised Fracture Detection in Chest X-rays [20.878741070685468]
  高性能コンピュータ支援診断(cad)モデルのトレーニングに利用可能な医療記録を活用する。 これまでの方法では、医療記録における低疾患の頻度を考慮せず、医療記録から示される画像レベルの診断を活用できなかった。 医療記録から抽出した大規模画像レベルラベルを効果的に活用する新しい知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2020-12-30T23:12:40Z)
• Automatic Vertebra Localization and Identification in CT by Spine Rectification and Anatomically-constrained Optimization [23.84364494308767]
  本論文では脊椎の解剖学的知識を利用して椎骨の局在と同定を容易にする堅牢かつ正確な方法を提案する。 キーポイント局在モデルは、脊椎中心の活性化マップを作成するために訓練される。 その後、脊椎中心線に沿って再サンプリングされ、脊椎切除された活性化マップを生成し、さらに1-D活性化信号に集約される。 解剖学的に制約された最適化モジュールを導入し、連続する椎骨指数の椎骨と硬い制約の間の距離を調節するソフト制約の下で最適な椎骨中心を共同で探索する。
  論文  参考訳（メタデータ） (2020-12-14T21:26:48Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)
• Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification [0.04925906256430176]
  椎体圧迫骨折は骨粗しょう症の早期徴候である。 3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。 我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
  論文  参考訳（メタデータ） (2020-05-25T08:05:27Z)

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。