論文の概要: CNN-based fully automatic wrist cartilage volume quantification in MR Image

• arxiv url: http://arxiv.org/abs/2206.11127v1
• Date: Wed, 22 Jun 2022 14:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 16:14:12.364937
• Title: CNN-based fully automatic wrist cartilage volume quantification in MR Image
• Title（参考訳）: MR画像におけるCNNによる完全自動手首軟骨体積定量化
• Authors: Nikita Vladimirov, Ekaterina Brui, Anatoliy Levchuk, Vladimir Fokin, Aleksandr Efimtcev, David Bendahan
• Abstract要約: 追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detection of cartilage loss is crucial for the diagnosis of osteo- and rheumatoid arthritis. A large number of automatic segmentation tools have been reported so far for cartilage assessment in magnetic resonance images of large joints. As compared to knee or hip, wrist cartilage has a more complex structure so that automatic tools developed for large joints are not expected to be operational for wrist cartilage segmentation. In that respect, a fully automatic wrist cartilage segmentation method would be of high clinical interest. We assessed the performance of four optimized variants of the U-Net architecture with truncation of its depth and addition of attention layers (U-Net_AL). The corresponding results were compared to those from a patch-based convolutional neural network (CNN) we previously designed. The segmentation quality was assessed on the basis of a comparative analysis with manual segmentation using several morphological (2D DSC, 3D DSC, precision) and a volumetric metrics. The four networks outperformed the patch-based CNN in terms of segmentation homogeneity and quality. The median 3D DSC value computed with the U-Net_AL (0.817) was significantly larger than the corresponding DSC values computed with the other networks. In addition, the U-Net_AL CNN provided the lowest mean volume error (17%) and the highest Pearson correlation coefficient (0.765) with respect to the ground truth. Of interest, the reproducibility computed from using U-Net_AL was larger than the reproducibility of the manual segmentation. U-net convolutional neural network with additional attention layers provides the best wrist cartilage segmentation performance. In order to be used in clinical conditions, the trained network can be fine-tuned on a dataset representing a group of specific patients. The error of cartilage volume measurement should be assessed independently using a non-MRI method.
• Abstract（参考訳）: 関節リウマチの診断には軟骨消失の検出が重要である。 大規模な関節の磁気共鳴画像における軟骨評価のために,多数の自動セグメンテーションツールが報告されている。 膝や股関節と比較して、手首軟骨はより複雑な構造であるため、手首軟骨のセグメンテーションのために大きな関節向けに開発された自動工具が動作しない。 その点では、完全自動手首軟骨分割法が臨床上の関心事となるだろう。 我々は,U-Netアーキテクチャの4つの最適化版の性能評価を行い,その深さと注意層(U-Net_AL)の追加について検討した。 対応する結果は、以前設計したパッチベースの畳み込みニューラルネットワーク(CNN)と比較された。 2次元DSC, 3次元DSC, 精度)と体積測定値を用いて, 手動分割との比較分析により, セグメンテーションの質を評価した。 4つのネットワークは、セグメンテーションの均一性と品質の点でパッチベースのCNNを上回った。 U-Net_AL (0.817) で計算した3次元DSC値の平均値は、他のネットワークで計算したDSC値よりも有意に大きい。 加えて、U-Net_AL CNNは、基底真理に関して最低平均体積誤差(17%)と最高ピアソン相関係数(0.765)を提供した。 U-Net_ALを用いて計算した再現性は手動分割の再現性よりも大きかった。 追加の注意層を持つu-net畳み込みニューラルネットワークは、最高の手首軟骨セグメンテーション性能を提供する。 臨床現場で使用するために、訓練されたネットワークを特定の患者のグループを表すデータセット上で微調整することができる。 非MRI法による軟骨体積測定の誤差を独立に評価する必要がある。

関連論文リスト

• WSC-Trans: A 3D network model for automatic multi-structural segmentation of temporal bone CT [5.821303529939008]
  側頭骨CTにおける多構造目標の自動セグメンテーションのための3次元ネットワークモデルを提案する。 このアルゴリズムは特徴抽出のためにCNNとTransformerを組み合わせて,空間的注意とチャネル注意機構を活用し,セグメンテーション効果をさらに改善する。
  論文  参考訳（メタデータ） (2022-11-14T06:44:37Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Position-prior Clustering-based Self-attention Module for Knee Cartilage Segmentation [14.797196965853233]
  膝軟骨の形態変化は変形性膝関節症の進行と密接に関連している。 変形性膝関節症に対する経時的研究に有効な自動軟骨分割モデルを提案する必要がある。
  論文  参考訳（メタデータ） (2022-06-21T12:12:16Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network [16.733578721523898]
  脳皮質下核の鉄蓄積異常は、様々な神経変性疾患と相関していると報告されている。 本稿では3次元畳み込みニューラルネットワーク(CNN)に基づく2分岐残基構造U-Net(DB-ResUNet)を提案する。
  論文  参考訳（メタデータ） (2020-08-03T14:32:30Z)
• Fully Automated 3D Segmentation of MR-Imaged Calf Muscle Compartments: Neighborhood Relationship Enhanced Fully Convolutional Network [6.597152960878372]
  FilterNetは新しい完全畳み込みネットワーク(FCN)であり、個々のふくらはぎの筋肉の区画分割にエッジ対応の制約を埋め込む。 FCNは健常者10名, 疾患者30名のT1強調MRI像を4倍のクロスバリデーションで評価した。
  論文  参考訳（メタデータ） (2020-06-21T22:53:58Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。