論文の概要: Automatic fetal fat quantification from MRI

• arxiv url: http://arxiv.org/abs/2209.03748v1
• Date: Thu, 8 Sep 2022 12:07:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-09 13:06:16.073867
• Title: Automatic fetal fat quantification from MRI
• Title（参考訳）: MRIによる胎児脂肪の自動定量
• Authors: Netanell Avisdris, Aviad Rabinowich, Daniel Fridkin, Ayala Zilberman, Sapir Lazar, Jacky Herzlich, Zeev Hananis, Daphna Link-Sourani, Liat Ben-Sira, Liran Hiersch, Dafna Ben Bashat, and Leo Joskowicz
• Abstract要約: 本稿では,Dixon MRIに基づく胎児脂肪分画の深層学習手法を提案する。 1) モデルに基づく半自動胎児脂肪分画は, 放射線技師がレビューし, 修正し, 2) 自動胎児脂肪分画は, 結果として得られたアノテートデータセットに基づいて訓練されたDLネットワークを用いて行われる。 これらの新しいセグメンテーション法と短いMRI取得時間を用いて、クリニックおよび大規模コホート研究において、個々の胎児に対して全身皮下脂質を定量化することができる。
• 参考スコア（独自算出の注目度）: 1.9833224525631483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Normal fetal adipose tissue (AT) development is essential for perinatal well-being. AT, or simply fat, stores energy in the form of lipids. Malnourishment may result in excessive or depleted adiposity. Although previous studies showed a correlation between the amount of AT and perinatal outcome, prenatal assessment of AT is limited by lacking quantitative methods. Using magnetic resonance imaging (MRI), 3D fat- and water-only images of the entire fetus can be obtained from two point Dixon images to enable AT lipid quantification. This paper is the first to present a methodology for developing a deep learning based method for fetal fat segmentation based on Dixon MRI. It optimizes radiologists' manual fetal fat delineation time to produce annotated training dataset. It consists of two steps: 1) model-based semi-automatic fetal fat segmentations, reviewed and corrected by a radiologist; 2) automatic fetal fat segmentation using DL networks trained on the resulting annotated dataset. Three DL networks were trained. We show a significant improvement in segmentation times (3:38 hours to < 1 hour) and observer variability (Dice of 0.738 to 0.906) compared to manual segmentation. Automatic segmentation of 24 test cases with the 3D Residual U-Net, nn-UNet and SWIN-UNetR transformer networks yields a mean Dice score of 0.863, 0.787 and 0.856, respectively. These results are better than the manual observer variability, and comparable to automatic adult and pediatric fat segmentation. A radiologist reviewed and corrected six new independent cases segmented using the best performing network, resulting in a Dice score of 0.961 and a significantly reduced correction time of 15:20 minutes. Using these novel segmentation methods and short MRI acquisition time, whole body subcutaneous lipids can be quantified for individual fetuses in the clinic and large-cohort research.
• Abstract（参考訳）: 正常胎児脂肪組織(AT)の発達は周産期健康に不可欠である。 AT(または単に脂肪)は、脂質の形でエネルギーを貯蔵する。 栄養失調は過度または減弱した好ましさをもたらすことがある。 これまでの研究では,ATの量と周産期成績との間に相関が認められたが,定量的手法の欠如により出生前評価が制限された。 磁気共鳴画像(MRI)を用いて,2点のディクソン画像から胎児全体の3D脂肪と水のみの画像を得ることができ,AT脂質の定量化が可能である。 本稿では,Dixon MRIに基づく胎児脂肪分画の深層学習手法を初めて提案する。 放射線技師の手動胎児脂肪脱線時間を最適化し、注釈付きトレーニングデータセットを生成する。 2つのステップからなる。 1) モデルに基づく半自動胎児脂肪分画, 放射線技師によるレビュー, 修正 2) 得られたアノテートデータセットで学習したdlネットワークを用いた胎児自動脂肪分画法。 3つのDLネットワークが訓練された。 セグメンテーション時間(3:38～1時間)と観察者変動(0.738～0.906)は,手動セグメンテーションと比較して有意に改善した。 3D Residual U-Net, nn-UNet, SWIN-UNetR を用いたテストケース24件の自動セグメンテーションにより, Dice の平均スコアは 0.863, 0.787, 0.856 となる。 これらの結果は手作業による観察値よりも優れており、成人および小児の脂肪分画に匹敵する。 放射線科医は、ベストパフォーマンスネットワークを使用してセグメンテーションされた6つの新しい独立した症例をレビューし、修正し、その結果、サイススコア0.961となり、修正時間は15:20分に大幅に短縮された。 これらの新しいセグメンテーション法と短いMRI取得時間を用いて、臨床および大規模コホート研究において、個々の胎児に対して全身皮下脂質を定量化することができる。

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)
• MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
  複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。 MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。 このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
  論文  参考訳（メタデータ） (2024-05-09T17:33:09Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  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。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• 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)
• Automated segmentation of 3-D body composition on computed tomography [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-16T15:38:27Z)
• Large-scale inference of liver fat with neural networks on UK Biobank body MRI [1.3439502310822151]
  頸部から膝にかけてのMRIによる肝脂肪の自動推定のための新しい枠組みを提案する。 ResNet50は、これらのスキャンから2次元スライスとターゲットとしての基準値の回帰のために訓練された。 ネットワークは、脂肪分率値の非線形性を正し、基準値のいくつかの外れ値を特定することを学習した。
  論文  参考訳（メタデータ） (2020-06-30T13:33:30Z)
• 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)
• Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study [1.4463443378902883]
  深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。 セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。 DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
  論文  参考訳（メタデータ） (2019-12-27T02:49:45Z)

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。