論文の概要: TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

• arxiv url: http://arxiv.org/abs/2208.05868v2
• Date: Fri, 16 Jun 2023 14:26:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 18:35:33.376279
• Title: TotalSegmentator: robust segmentation of 104 anatomical structures in CT images
• Title（参考訳）: TotalSegmentator:CT画像における104の解剖学的構造の堅牢なセグメンテーション
• Authors: Jakob Wasserthal and Hanns-Christian Breit and Manfred T. Meyer and Maurice Pradella and Daniel Hinck and Alexander W. Sauter and Tobias Heye and Daniel Boll and Joshy Cyriac and Shan Yang and Michael Bach and Martin Segeroth
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.50994220135258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a deep learning segmentation model that can automatically and robustly segment all major anatomical structures in body CT images. In this retrospective study, 1204 CT examinations (from the years 2012, 2016, and 2020) were used to segment 104 anatomical structures (27 organs, 59 bones, 10 muscles, 8 vessels) relevant for use cases such as organ volumetry, disease characterization, and surgical or radiotherapy planning. The CT images were randomly sampled from routine clinical studies and thus represent a real-world dataset (different ages, pathologies, scanners, body parts, sequences, and sites). The authors trained an nnU-Net segmentation algorithm on this dataset and calculated Dice similarity coefficients (Dice) to evaluate the model's performance. The trained algorithm was applied to a second dataset of 4004 whole-body CT examinations to investigate age dependent volume and attenuation changes. The proposed model showed a high Dice score (0.943) on the test set, which included a wide range of clinical data with major pathologies. The model significantly outperformed another publicly available segmentation model on a separate dataset (Dice score, 0.932 versus 0.871, respectively). The aging study demonstrated significant correlations between age and volume and mean attenuation for a variety of organ groups (e.g., age and aortic volume; age and mean attenuation of the autochthonous dorsal musculature). The developed model enables robust and accurate segmentation of 104 anatomical structures. The annotated dataset (https://doi.org/10.5281/zenodo.6802613) and toolkit (https://www.github.com/wasserth/TotalSegmentator) are publicly available.
• Abstract（参考訳）: 生体CT画像における主要な解剖学的構造をすべて自動的かつ堅牢に分割できるディープラーニングセグメンテーションモデルを提案する。 本研究は, 臓器容積, 疾患の特徴, 外科的・放射線治療計画など, 104の解剖学的構造(27の臓器, 59の骨, 10の筋肉, 8の血管)を分割する1204のct検査(2012年, 2016年, 2020年)を用いた。 CT画像は、通常の臨床研究からランダムにサンプリングされ、現実世界のデータセット(年齢、病理、スキャナー、身体部分、シーケンス、サイト)を表す。 このデータセット上でnnu-netセグメンテーションアルゴリズムを訓練し、モデルの性能を評価するためにdice類似度係数(dice)を計算した。 トレーニングされたアルゴリズムは、年齢依存体積と減衰の変化を調べるために、4004体CT検査の第2データセットに適用された。 提案モデルでは, 広範な臨床所見を主訴とし, テストセット上で高い dice score (0.943) を示した。 このモデルは、別のデータセット(Dice score, 0.932 vs 0.871)で、他の公開セグメンテーションモデルよりも大幅に優れていた。 老化研究は、様々な臓器群(例えば、年齢と大動脈容積、年齢と体後筋の平均減衰)の年齢と容積と平均減衰との間に有意な相関を示した。 104解剖学的構造のロバストで正確なセグメンテーションが可能となる。 アノテーション付きデータセット(https://doi.org/10.5281/zenodo.6802613)とツールキット(https://www.github.com/wasserth/TotalSegmentator)が公開されている。

関連論文リスト

• MSTT-199: MRI Dataset for Musculoskeletal Soft Tissue Tumor Segmentation [0.0]
  胸部軟部腫瘍199例のMR画像データセットの収集について報告する。 このデータセットでセグメンテーションモデルをトレーニングし、公開データセットでベンチマークしました。 我々のモデルは、微調整なしで、ボックスから0.79の最先端のサイコロスコアを達成した。
  論文  参考訳（メタデータ） (2024-09-04T22:33:17Z)
• 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)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• 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)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• 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)
• 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)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)
• 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。