論文の概要: Automating Cobb Angle Measurement for Adolescent Idiopathic Scoliosis using Instance Segmentation

• arxiv url: http://arxiv.org/abs/2211.14122v1
• Date: Fri, 25 Nov 2022 14:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 16:01:15.992333
• Title: Automating Cobb Angle Measurement for Adolescent Idiopathic Scoliosis using Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションを用いた思春期特発性側頭症に対する cobb 角度計測の自動化
• Authors: Chaojun Chen, Khashayar Namdar, Yujie Wu, Shahob Hosseinpour, Manohar Shroff, Andrea S. Doria, Farzad Khalvati
• Abstract要約: 現在、スコリオーシスを評価するための基準基準は、コブ角のマニュアル割り当てに基づいている。 本稿では,YOLACT(インスタンスセグメンテーションモデル)を用いたコブ角計測タスクを提案する。 提案手法はまず,YOLACTを用いてX線画像に椎骨を分割し,最小境界ボックスアプローチを用いて重要なランドマークを追跡する。
• 参考スコア（独自算出の注目度）: 1.3161405778899375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scoliosis is a three-dimensional deformity of the spine, most often diagnosed in childhood. It affects 2-3% of the population, which is approximately seven million people in North America. Currently, the reference standard for assessing scoliosis is based on the manual assignment of Cobb angles at the site of the curvature center. This manual process is time consuming and unreliable as it is affected by inter- and intra-observer variance. To overcome these inaccuracies, machine learning (ML) methods can be used to automate the Cobb angle measurement process. This paper proposes to address the Cobb angle measurement task using YOLACT, an instance segmentation model. The proposed method first segments the vertebrae in an X-Ray image using YOLACT, then it tracks the important landmarks using the minimum bounding box approach. Lastly, the extracted landmarks are used to calculate the corresponding Cobb angles. The model achieved a Symmetric Mean Absolute Percentage Error (SMAPE) score of 10.76%, demonstrating the reliability of this process in both vertebra localization and Cobb angle measurement.
• Abstract（参考訳）: スコリシス(scoliosis)は、小児期に診断される脊椎の3次元変形である。 人口の2-3%が影響しており、北米の人口は約700万人である。 現在、スコリオーシスの基準基準基準は、曲率中心の場所におけるコブ角度の手動割り当てに基づいている。 この手動のプロセスは時間を要するため、サーバ間の分散やサーバ内分散の影響を受けない。 これらの不正確な問題を克服するために、機械学習(ML)手法を使用してコブ角測定プロセスを自動化する。 本稿では,YOLACT(インスタンスセグメンテーションモデル)を用いたコブ角計測タスクを提案する。 提案手法はまず,YOLACTを用いてX線画像に椎骨を分割し,最小境界ボックスアプローチを用いて重要なランドマークを追跡する。 最後に、抽出したランドマークを用いて対応するコブ角を算出する。 このモデルは10.76%の対称平均絶対パーセンテージ(smape)スコアを達成し、椎骨の局在と cobb 角度の測定の両方においてこのプロセスの信頼性を示した。

関連論文リスト

• Deep learning automates Cobb angle measurement compared with multi-expert observers [3.7153471185088427]
  コブ角 (Cobb angle) は、傾斜した椎骨間の曲率を測定する、広く使われているスコリシス定量法である。 我々は、Cobb角を正確に測定し、これらの測定をはっきりと視覚化する完全に自動化されたソフトウェアを作成しました。 このソフトウェアは、ディープニューラルネットワークに基づく脊髄領域の検出とセグメンテーション、脊髄中心の同定を統合し、最も傾いた脊椎をピンポイントする。
  論文  参考訳（メタデータ） (2024-03-18T15:43:45Z)
• Predicting Spine Geometry and Scoliosis from DXA Scans [49.68543422441626]
  まず、ニューラルネットワークをトレーニングして、スキャン中のミドルスピン曲線を予測し、次いで積分法を用いて、スピン曲線に沿った曲率を決定する。 最大曲率を評価関数として用いて, 脊椎変形の重症度を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-15T22:49:08Z)
• MMA-Net: Multiple Morphology-Aware Network for Automated Cobb Angle Measurement [6.8243631770391735]
  本稿では,複数の脊椎形態を注目情報として統合することにより,コブ角測定精度を向上させる新しいフレームワークを提案する。 AASCEチャレンジデータセットを用いて本手法の評価を行い,SMAPEの7.28%,MAEの3.18degで優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-25T01:56:53Z)
• Development of Machine learning algorithms to identify the Cobb angle in adolescents with idiopathic scoliosis based on lumbosacral joint efforts during gait (Case study) [1.1199585259018454]
  本研究の目的は、自動放射線フリーモデルを開発することにより、コブ角を同定することである。 放射能のないデータとしての歩行中の腰仙関節は、コブ角を識別することができる。
  論文  参考訳（メタデータ） (2023-01-29T23:58:16Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Direct Estimation of Spinal Cobb Angles by Structured Multi-Output Regression [42.67503464183464]
  脊髄湾曲率を定量的に評価するコブ角度は、脊柱側膜症の診断および治療において重要な役割を果たします。 脊髄X線からのCobb角の推定を多出力回帰タスクとして定式化する。 本手法は, 高い精度で cobb 角度の直接推定が可能であり, 臨床応用の可能性も示唆する。
  論文  参考訳（メタデータ） (2020-12-23T12:33:46Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
  脊椎に焦点をあてた新しいランドマーク検出法を提案する。 我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。 その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
  論文  参考訳（メタデータ） (2020-01-09T19:17:41Z)

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。