論文の概要: Single Slice Thigh CT Muscle Group Segmentation with Domain Adaptation and Self-Training

• arxiv url: http://arxiv.org/abs/2212.00059v1
• Date: Wed, 30 Nov 2022 19:04:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 16:04:04.653279
• Title: Single Slice Thigh CT Muscle Group Segmentation with Domain Adaptation and Self-Training
• Title（参考訳）: ドメイン適応とセルフトレーニングを用いたsingle slice thigh ct muscle group segmentation
• Authors: Qi Yang, Xin Yu, Ho Hin Lee, Leon Y. Cai, Kaiwen Xu, Shunxing Bao, Yuankai Huo, Ann Zenobia Moore, Sokratis Makrogiannis, Luigi Ferrucci, Bennett A. Landman
• Abstract要約: 3次元MRから1枚のCTスライスにラベルを転送する自己学習による教師なし領域適応パイプラインを提案する。 152例において,全筋群の平均Diceは0.888(0.041)であった。
• 参考スコア（独自算出の注目度）: 19.86796625044402
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Objective: Thigh muscle group segmentation is important for assessment of muscle anatomy, metabolic disease and aging. Many efforts have been put into quantifying muscle tissues with magnetic resonance (MR) imaging including manual annotation of individual muscles. However, leveraging publicly available annotations in MR images to achieve muscle group segmentation on single slice computed tomography (CT) thigh images is challenging. Method: We propose an unsupervised domain adaptation pipeline with self-training to transfer labels from 3D MR to single CT slice. First, we transform the image appearance from MR to CT with CycleGAN and feed the synthesized CT images to a segmenter simultaneously. Single CT slices are divided into hard and easy cohorts based on the entropy of pseudo labels inferenced by the segmenter. After refining easy cohort pseudo labels based on anatomical assumption, self-training with easy and hard splits is applied to fine tune the segmenter. Results: On 152 withheld single CT thigh images, the proposed pipeline achieved a mean Dice of 0.888(0.041) across all muscle groups including sartorius, hamstrings, quadriceps femoris and gracilis. muscles Conclusion: To our best knowledge, this is the first pipeline to achieve thigh imaging domain adaptation from MR to CT. The proposed pipeline is effective and robust in extracting muscle groups on 2D single slice CT thigh images.The container is available for public use at https://github.com/MASILab/DA_CT_muscle_seg
• Abstract（参考訳）: 目的: 大腿筋群分節は, 筋解剖学, 代謝疾患, 加齢評価に重要である。 個々の筋肉の手動アノテーションを含む磁気共鳴(MR)画像を用いて筋肉組織の定量化に多くの取り組みがなされている。 しかし, MR画像におけるアノテーションの利用により, 単一スライスCT画像における筋群分割を実現することは困難である。 方法: 3次元MRから1枚のCTスライスへラベルを転送する自己学習型ドメイン適応パイプラインを提案する。 まず,CycleGAN を用いて画像の外観を MR から CT に変換し,合成したCT 画像をセグメンタに同時に供給する。 単一のCTスライスを、セグメントによって推測される擬似ラベルのエントロピーに基づいて、硬く容易にコホートに分割する。 解剖学的仮定に基づく簡単なコホート擬似ラベルを精錬した後、容易かつハードスプリットによる自己訓練を行い、セグメンタの微調整を行う。 結果: 単一ct大腿像152例において, 提案パイプラインは, サルトリアス, ハムストリングス, 大腿四頭筋, グラシリスを含む全筋群平均0.888(0.041) を達成した。 筋電図 最善の知識として、これはmrからctへの大腿部イメージング領域適応を達成する最初のパイプラインである。 提案されたパイプラインは、2d single slice ct thighイメージで筋肉群を抽出するのに効果的で堅牢である。このコンテナはhttps://github.com/masilab/da_ct_muscle_segで公開されている。

関連論文リスト

• Attention-based CT Scan Interpolation for Lesion Segmentation of Colorectal Liver Metastases [2.680862925538592]
  大腸癌 (CRLM) に共通する小肝病変は, 畳み込みニューラルネットワーク (CNN) セグメンテーションモデルでは困難である。 我々は,CTスキャンにおける連続3重スライスから中間スライスを生成する,教師なしアテンションベースモデルを提案する。 モデルの出力は元の入力スライスと一致し、2つの最先端3Dセグメンテーションパイプラインにおけるセグメンテーション性能を向上する。
  論文  参考訳（メタデータ） (2023-08-30T10:21:57Z)
• 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)
• MSKdeX: Musculoskeletal (MSK) decomposition from an X-ray image for fine-grained estimation of lean muscle mass and muscle volume [5.1294076116231455]
  サルコペン症や骨粗しょう症などの筋骨格疾患は、加齢に伴う健康にとって大きな障害である。 そこで本研究では,原X線像,低コスト,低放射能,高アクセス性画像モダリティから微細な筋肉特性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:56:18Z)
• 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)
• Fast and Robust Femur Segmentation from Computed Tomography Images for Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
  我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。 本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
  論文  参考訳（メタデータ） (2022-04-20T16:16:16Z)
• Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
  AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
  論文  参考訳（メタデータ） (2021-07-12T14:54:04Z)
• Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment [0.10499611180329801]
  この振り返り研究は、公開画像とプライベート画像のコレクションを用いて行われた。 方法はCTボリュームからのスライス検出と単スライスCTセグメンテーションの2段階からなる。 アウトプットはL3椎骨のCTスライスに分節した筋量であった。
  論文  参考訳（メタデータ） (2020-06-10T12:05:55Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Adipose Tissue Segmentation in Unlabeled Abdomen MRI using Cross Modality Domain Adaptation [4.677846923899843]
  腹部脂肪定量は、この領域内に複数の重要な臓器があるため重要である。 本研究では,MRI画像から脂肪組織を自動的に定量化するディープラーニング手法に基づくアルゴリズムを提案する。 本手法はMRスキャンの教師付きラベル付けを必要としないが,パイプライン構築にはC-GAN (Cycle Generative Adversarial Network) を用いる。
  論文  参考訳（メタデータ） (2020-05-11T17:41:39Z)
• 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)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。