Fugu-MT 論文翻訳(概要): VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray

論文の概要: VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray

arxiv url: http://arxiv.org/abs/2302.03476v1
Date: Tue, 7 Feb 2023 14:01:32 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 16:25:31.057694
Title: VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray
Title（参考訳）: VertXNet: 脊椎X線の分割と同定のためのアンサンブル法
Authors: Yao Chen, Yuanhan Mo, Aimee Readie, Gregory Ligozio, Indrajeet Mandal, Faiz Jabbar, Thibaud Coroller, Bartlomiej W. Papiez
Abstract要約: VertXNetは脊椎X線画像に脊椎を自動的に分類しラベル付けするためのアンサンブルパイプラインである。 2つの最先端(SOTA)セグメンテーションモデル(特にU-NetとMask R-CNN)を組み合わせることで、X線脊椎画像における脊椎の自動セグメンテーションとラベル付けを行う。提案したパイプラインを3つの脊髄X線データセット(内部2点,公開1点)で評価し,放射線医が注釈した椎骨との比較を行った。
参考スコア（独自算出の注目度）: 3.7139410609392933
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Reliable vertebrae annotations are key to perform analysis of spinal X-ray images. However, obtaining annotation of vertebrae from those images is usually carried out manually due to its complexity (i.e. small structures with varying shape), making it a costly and tedious process. To accelerate this process, we proposed an ensemble pipeline, VertXNet, that combines two state-of-the-art (SOTA) segmentation models (respectively U-Net and Mask R-CNN) to automatically segment and label vertebrae in X-ray spinal images. Moreover, VertXNet introduces a rule-based approach that allows to robustly infer vertebrae labels (by locating the 'reference' vertebrae which are easier to segment than others) for a given spinal X-ray image. We evaluated the proposed pipeline on three spinal X-ray datasets (two internal and one publicly available), and compared against vertebrae annotated by radiologists. Our experimental results have shown that the proposed pipeline outperformed two SOTA segmentation models on our test dataset (MEASURE 1) with a mean Dice of 0.90, vs. a mean Dice of 0.73 for Mask R-CNN and 0.72 for U-Net. To further evaluate the generalization ability of VertXNet, the pre-trained pipeline was directly tested on two additional datasets (PREVENT and NHANES II) and consistent performance was observed with a mean Dice of 0.89 and 0.88, respectively. Overall, VertXNet demonstrated significantly improved performance for vertebra segmentation and labeling for spinal X-ray imaging, and evaluation on both in-house clinical trial data and publicly available data further proved its generalization.
Abstract（参考訳）: 信頼できる椎骨アノテーションは、脊椎x線画像の分析を行うための鍵である。しかし、これらの画像から椎骨の注釈を得るのは通常、その複雑さ(形状の異なる小さな構造物)のため手作業で行われ、費用がかかり、退屈なプロセスとなる。この過程を加速するために、私たちは2つの最先端(SOTA)セグメンテーションモデル(U-NetとMask R-CNN)を組み合わせてX線脊椎画像の椎骨の自動セグメンテーションとラベル付けを行うVertXNetというアンサンブルパイプラインを提案した。さらに、VertXNetは、特定の脊椎X線画像に対して、(他のものと区別しやすい「参照」椎骨の位置を特定することによって)脊椎のラベルをしっかりと推論できるルールベースのアプローチを導入している。 3つの脊髄x線データセット(内部2つ、公開1つ)上で提案パイプラインを評価し,放射線科医が注釈した椎骨と比較した。実験の結果,提案パイプラインはテストデータセット(MEASURE 1)上で平均Diceが0.90,Mask R-CNNが平均Diceが0.73,U-Netが0.72,の2つのSOTAセグメンテーションモデルより優れていた。 VertXNetの一般化能力をさらに評価するために、事前学習パイプラインを2つの追加データセット(PREVENTとNHANES II)で直接テストし、それぞれ平均Dice 0.89と0.88で一貫した性能を観察した。全体として,VertXNetは脊椎のセグメンテーションとX線撮影におけるラベル付けの性能を著しく改善し,社内臨床試験データと公開データの両方で評価した。

関連論文リスト

SpineFM: Leveraging Foundation Models for Automatic Spine X-ray Segmentation [0.0]
本稿では,脊椎の自動分割と同定における最先端性能を実現する新しいパイプラインであるSpineFMを紹介する。椎骨の97.8%と99.6%の同定に成功した2つの公開X線データセットにおいて、優れた結果を得た。
論文参考訳（メタデータ） (2024-11-01T02:51:21Z)
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)
SPINEPS -- Automatic Whole Spine Segmentation of T2-weighted MR images using a Two-Phase Approach to Multi-class Semantic and Instance Segmentation [6.931184815441744]
我々は,T2wMRI画像中の14個の脊髄構造の意味とインスタンスセグメンテーションのためのオープンソースのディープラーニング手法を提案する。 SPIDERデータセット(被験者218名,女性63%)とドイツ国立コホート(被験者1423名,平均53名,女性49%)をトレーニングおよび評価に使用した。自動生成アノテーションのトレーニングとGNCによる手動修正試験データによる評価では、脊椎では0.900点、椎間板では0.960点、脊椎では0.947点が得られた。
論文参考訳（メタデータ） (2024-02-26T07:45:14Z)
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 Automatic Scoring of Spinal X-ray for Ankylosing Spondylitis [4.310687588548587]
脊椎X線画像におけるStoke Ankylosing Spondylitis Spinal Score (mSASSS) による構造変化を手作業で評価することは、費用と時間を要する。脊髄X線画像における頚椎・腰椎椎体(VUs)のmSASSSスコアを自動的に予測する2段階自動階調パイプラインVertXGradeNetを提案する。
論文参考訳（メタデータ） (2023-08-08T19:59:23Z)
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)
VertXNet: Automatic Segmentation and Identification of Lumbar and Cervical Vertebrae from Spinal X-ray Images [4.310687588548587]
VertXNetはX線脊椎画像で脊椎を自動的に分類しラベル付けするためのアンサンブル法である。人間の専門家によるレビューを必要とせず、注釈付き椎骨の欠如を回避できる。
論文参考訳（メタデータ） (2022-07-12T11:43:33Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
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)
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。