Fugu-MT 論文翻訳(概要): Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep Learning-based Segmentation

論文の概要: Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep Learning-based Segmentation

arxiv url: http://arxiv.org/abs/2209.14217v1
Date: Wed, 28 Sep 2022 16:43:29 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 17:21:44.213761
Title: Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep Learning-based Segmentation
Title（参考訳）: 深層学習に基づく低線量腹部ctの経時的変動解析
Authors: Xin Yu, Yucheng Tang, Qi Yang, Ho Hin Lee, Riqiang Gao, Shunxing Bao, Ann Zenobia Moore, Luigi Ferrucci, Bennett A. Landman
Abstract要約: 2次元低線量シングルスライスCT(CT)は高分解能で定量的な組織マップを提供する。自動セグメンテーションを併用した低用量シングルスライスCTの経時変化に関する総合的な研究は行われていない。今回,ボルチモア縦断法(BLSA)腹部データセット1469例の1816個のスライスについて検討した。
参考スコア（独自算出の注目度）: 20.38282484296331
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Metabolic health is increasingly implicated as a risk factor across conditions from cardiology to neurology, and efficiency assessment of body composition is critical to quantitatively characterizing these relationships. 2D low dose single slice computed tomography (CT) provides a high resolution, quantitative tissue map, albeit with a limited field of view. Although numerous potential analyses have been proposed in quantifying image context, there has been no comprehensive study for low-dose single slice CT longitudinal variability with automated segmentation. We studied a total of 1816 slices from 1469 subjects of Baltimore Longitudinal Study on Aging (BLSA) abdominal dataset using supervised deep learning-based segmentation and unsupervised clustering method. 300 out of 1469 subjects that have two year gap in their first two scans were pick out to evaluate longitudinal variability with measurements including intraclass correlation coefficient (ICC) and coefficient of variation (CV) in terms of tissues/organs size and mean intensity. We showed that our segmentation methods are stable in longitudinal settings with Dice ranged from 0.821 to 0.962 for thirteen target abdominal tissues structures. We observed high variability in most organ with ICC<0.5, low variability in the area of muscle, abdominal wall, fat and body mask with average ICC>0.8. We found that the variability in organ is highly related to the cross-sectional position of the 2D slice. Our efforts pave quantitative exploration and quality control to reduce uncertainties in longitudinal analysis.
Abstract（参考訳）: メタボリックヘルスは、心臓病から神経学までの諸条件におけるリスクファクターとしてますます重要視され、身体組成の効率評価はこれらの関係を定量的に特徴づけるために重要である。 2次元低線量シングルスライスCT(CT)は高分解能で定量的な組織マップを提供するが、視野は限られている。画像コンテキストの定量化には多くの潜在的分析法が提案されているが, 自動分割による低線量単線CTの経時変化に対する包括的研究は行われていない。深層学習のセグメンテーションと教師なしクラスタリング法を用いて,ボルチモア経年的腹部データセット(BLSA)1469例の合計1816個のスライスについて検討した。最初の2回のスキャンで2年間隔を持つ1469例中300例を抽出し, 組織サイズおよび平均強度の指標として, 組織内相関係数 (ICC) と変動係数 (CV) の測定を行った。対象腹部組織13例に対して,Diceは0.821から0.962の範囲の縦断的設定で安定なセグメンテーション法が得られた。平均icc<0.5, 筋, 腹壁, 脂肪, ボディーマスク面積で, 平均icc<0.8。臓器の変動は2次元切片の断面位置と強く関連していることがわかった。縦断解析における不確実性を低減するため,定量的探索と品質管理を図っている。

関連論文リスト

Deep conditional generative models for longitudinal single-slice abdominal computed tomography harmonization [21.125010099161774]
腹部CTで高解像度の組織像が得られた。これらのスキャンによる体組成変化の経時的解析はスライスの位置変化により困難である。腹部領域の任意の軸スライスを条件としてC-SliceGenを提案し,事前に定義された椎骨レベルスライスを生成する。
論文参考訳（メタデータ） (2023-09-17T22:53:16Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Reducing Positional Variance in Cross-sectional Abdominal CT Slices with Deep Conditional Generative Models [21.162780923697653]
2D低用量腹部CTスライスにより,体組成の直接測定が可能となった。 2次元腹部スライスを用いた体組成変化の経時的解析は,異なる年で得られた縦スライスの位置差により困難である。我々は条件生成モデルをC-SliceGenに拡張し、腹部領域の任意の軸スライスを条件として、定義された椎骨レベルスライスを生成する。
論文参考訳（メタデータ） (2022-09-28T23:13:06Z)
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)
Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
論文参考訳（メタデータ） (2021-10-15T06:17:52Z)
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)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文参考訳（メタデータ） (2020-07-29T10:40:39Z)
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)
Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文参考訳（メタデータ） (2020-05-08T03:16:15Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。