論文の概要: Comp2Comp: Open-Source Body Composition Assessment on Computed Tomography

• arxiv url: http://arxiv.org/abs/2302.06568v1
• Date: Mon, 13 Feb 2023 18:11:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 14:37:33.077431
• Title: Comp2Comp: Open-Source Body Composition Assessment on Computed Tomography
• Title（参考訳）: Comp2Comp:Computed Tomographyによるオープンソースのボディ組成評価
• Authors: Louis Blankemeier, Arjun Desai, Juan Manuel Zambrano Chaves, Andrew Wentland, Sally Yao, Eduardo Reis, Malte Jensen, Bhanushree Bahl, Khushboo Arora, Bhavik N. Patel, Leon Lenchik, Marc Willis, Robert D. Boutin, Akshay S. Chaudhari
• Abstract要約: 我々はオープンソースのボディコンポジション分析のためのPythonパッケージであるComp2Compを開発した。 Comp2Compは腹部CTで骨骨格筋, 内臓脂肪組織, 皮下多色組織の体組成測定値を算出する。 本ガイドでは、Comp2Compパイプラインのアーキテクチャについて論じ、使用指示を提供し、内部および外部の検証結果を報告する。
• 参考スコア（独自算出の注目度）: 1.274799420867198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computed tomography (CT) is routinely used in clinical practice to evaluate a wide variety of medical conditions. While CT scans provide diagnoses, they also offer the ability to extract quantitative body composition metrics to analyze tissue volume and quality. Extracting quantitative body composition measures manually from CT scans is a cumbersome and time-consuming task. Proprietary software has been developed recently to automate this process, but the closed-source nature impedes widespread use. There is a growing need for fully automated body composition software that is more accessible and easier to use, especially for clinicians and researchers who are not experts in medical image processing. To this end, we have built Comp2Comp, an open-source Python package for rapid and automated body composition analysis of CT scans. This package offers models, post-processing heuristics, body composition metrics, automated batching, and polychromatic visualizations. Comp2Comp currently computes body composition measures for bone, skeletal muscle, visceral adipose tissue, and subcutaneous adipose tissue on CT scans of the abdomen. We have created two pipelines for this purpose. The first pipeline computes vertebral measures, as well as muscle and adipose tissue measures, at the T12 - L5 vertebral levels from abdominal CT scans. The second pipeline computes muscle and adipose tissue measures on user-specified 2D axial slices. In this guide, we discuss the architecture of the Comp2Comp pipelines, provide usage instructions, and report internal and external validation results to measure the quality of segmentations and body composition measures. Comp2Comp can be found at https://github.com/StanfordMIMI/Comp2Comp.
• Abstract（参考訳）: CT(Computed tomography)は、様々な医療状況を評価するために臨床で日常的に用いられる。 CTスキャンは診断を提供するが、組織体積と品質を分析するための定量的な体組成指標を抽出する機能も提供する。 CTスキャンから手動で定量的な体組成測定を抽出するのは面倒で時間を要する作業である。 このプロセスを自動化するために最近プロプライエタリソフトウェアが開発されたが、クローズドソースの性質は広く使われることを妨げている。 医療画像処理の専門家でない臨床医や研究者にとって、よりアクセスしやすく使いやすく、完全自動化されたボディコンポジションソフトウェアの必要性が高まっている。 この目的のために我々はComp2Compを開発した。これはオープンソースのPythonパッケージで、CTスキャンの迅速かつ自動化されたボディコンポジション分析を行う。 このパッケージはモデル、処理後のヒューリスティック、ボディ構成メトリクス、自動バッチ、多彩な視覚化を提供する。 Comp2Compは現在、腹部CTスキャンで骨、骨格筋、内臓脂肪組織、皮下脂肪組織に対する体組成測定を計算している。 この目的で2つのパイプラインを作成しました。 第1パイプラインは、腹部CTスキャンからT12からL5の脊椎レベルにおいて、脊椎の計測、および筋肉および脂肪組織の測定を計算する。 第2のパイプラインは、ユーザが特定した2d軸スライスの筋肉と脂肪組織の測定値を計算する。 本ガイドでは,Comp2Compパイプラインのアーキテクチャについて議論し,使用指示を提供し,内部および外部の検証結果を報告し,セグメンテーションとボディコンポジションの質を計測する。 Comp2Compはhttps://github.com/StanfordMIMI/Comp2Compにある。

関連論文リスト

• Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance from High-Quality Isotropic Volumes [52.242103848335354]
  本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。 我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
  論文  参考訳（メタデータ） (2023-08-13T12:51:15Z)
• Physiology-based simulation of the retinal vasculature enables annotation-free segmentation of OCT angiographs [8.596819713822477]
  提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。 提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
  論文  参考訳（メタデータ） (2022-07-22T14:22:22Z)
• 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)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Comprehensive Validation of Automated Whole Body Skeletal Muscle, Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition Analysis: Towards Extended Body Composition [0.6176955945418618]
  ディープラーニングのような強力な人工知能のツールは、3D画像全体を分割し、すべての内部解剖の正確な測定を生成することができるようになった。 これにより、これまで存在した深刻なボトルネック、すなわち手動セグメンテーションの必要性の克服が可能になる。 これらの測定は不可能であったため、フィールドを非常に小さく限られたサブセットに制限した。
  論文  参考訳（メタデータ） (2021-06-01T17:30:45Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• 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)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)

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。