Fugu-MT 論文翻訳(概要): Deep Learning Framework for Spleen Volume Estimation from 2D Cross-sectional Views

論文の概要: Deep Learning Framework for Spleen Volume Estimation from 2D Cross-sectional Views

arxiv url: http://arxiv.org/abs/2308.08038v1
Date: Tue, 15 Aug 2023 20:58:42 GMT
ステータス: 処理完了
システム内更新日: 2023-08-17 15:34:58.496910
Title: Deep Learning Framework for Spleen Volume Estimation from 2D Cross-sectional Views
Title（参考訳）: 2次元断面視による脾体積推定のための深層学習フレームワーク
Authors: Zhen Yuan, Esther Puyol-Anton, Haran Jogeesvaran, Baba Inusa and Andrew P. King
Abstract要約: 単眼または双眼の2Dセグメンテーションから脾体積を測定するための変分オートエンコーダベースのフレームワークについて述べる。最適モデルでは, それぞれ86.62%, 92.58%の相対体積精度が得られた。
参考スコア（独自算出の注目度）: 3.8212870622288744
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Abnormal spleen enlargement (splenomegaly) is regarded as a clinical indicator for a range of conditions, including liver disease, cancer and blood diseases. While spleen length measured from ultrasound images is a commonly used surrogate for spleen size, spleen volume remains the gold standard metric for assessing splenomegaly and the severity of related clinical conditions. Computed tomography is the main imaging modality for measuring spleen volume, but it is less accessible in areas where there is a high prevalence of splenomegaly (e.g., the Global South). Our objective was to enable automated spleen volume measurement from 2D cross-sectional segmentations, which can be obtained from ultrasound imaging. In this study, we describe a variational autoencoder-based framework to measure spleen volume from single- or dual-view 2D spleen segmentations. We propose and evaluate three volume estimation methods within this framework. We also demonstrate how 95\% confidence intervals of volume estimates can be produced to make our method more clinically useful. Our best model achieved mean relative volume accuracies of 86.62\% and 92.58\% for single- and dual-view segmentations, respectively, surpassing the performance of the clinical standard approach of linear regression using manual measurements and a comparative deep learning-based 2D-3D reconstruction-based approach. The proposed spleen volume estimation framework can be integrated into standard clinical workflows which currently use 2D ultrasound images to measure spleen length. To the best of our knowledge, this is the first work to achieve direct 3D spleen volume estimation from 2D spleen segmentations.
Abstract（参考訳）: 異常脾腫 (splenomegaly) は, 肝疾患, 癌, 血液疾患など, 様々な疾患の臨床的指標である。超音波画像から測定される脾の長さは脾臓の大きさのサロゲートとして一般的に用いられるが,脾臓容積は脾腫と関連疾患の重症度を評価するための金標準指標である。 ctは脾臓体積を測定するための主要なイメージングモードであるが、脾腫の発生率が高い地域(例えば、グローバル・サウス)ではアクセスできない。本研究の目的は,超音波による2次元断面断面積の自動計測を可能にすることである。本研究では,単視または双視の2次元脾臓セグメンテーションから脾臓体積を測定するための変分オートエンコーダベースのフレームワークについて述べる。本稿では,本フレームワーク内の3つのボリューム推定手法を提案し,評価する。また,本手法を臨床的に有用にするために,ボリューム推定の95%の信頼区間を作成できることを示す。比較深層学習に基づく2D-3D再構成法と手動による線形回帰法の臨床標準手法の性能を上回り, 単視点と二視点のセグメンテーションでは86.62\%, 92.58\%の平均体積精度を達成した。提案した脾体積推定フレームワークは,現在2次元超音波画像を用いて脾の長さを測定する標準的な臨床ワークフローに統合することができる。私たちの知る限りでは、これは2次元脾臓セグメンテーションから直接3d脾臓体積推定を達成する最初の仕事です。

関連論文リスト

DeepSPV: An Interpretable Deep Learning Pipeline for 3D Spleen Volume Estimation from 2D Ultrasound Images [7.727342487565146]
脾腫は、疾患細胞病(SCD)などの様々な関連疾患に対する重要な臨床指標である本研究では,1次元または2次元の超音波画像からスプレエン体積を正確に推定する深層学習パイプラインであるDeepSPVを提案する。
論文参考訳（メタデータ） (2024-11-17T22:43:07Z)
Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
論文参考訳（メタデータ） (2024-06-20T17:47:30Z)
TriadNet: Sampling-free predictive intervals for lesional volume in 3D brain MR images [1.2234742322758418]
マルチヘッドCNNアーキテクチャをベースとしたセグメンテーション手法であるTriadNetを提案する。大規模なMRIグリオーマ画像データベースBraTS 2021の他のソリューションよりも優れていることを示す。
論文参考訳（メタデータ） (2023-07-28T15:56:04Z)
Bone mineral density estimation from a plain X-ray image by learning decomposition into projections of bone-segmented computed tomography [4.872603360039571]
骨粗しょう症(英: osteoporosis)は、脆弱な骨の骨折を引き起こす骨疾患であり、日常生活活動の低下につながる。骨の健康、低コスト、低用量、ユビキタスに利用可能な診断方法を頻繁に監視するためには、非常に期待されている。本研究の目的は, 骨密度を原X線画像から推定し, 骨密度を計測することである。
論文参考訳（メタデータ） (2023-07-21T11:49:30Z)
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)
Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-09-13T07:10:14Z)
Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文参考訳（メタデータ） (2020-09-09T18:28:00Z)
Deep Learning for Automatic Spleen Length Measurement in Sickle Cell Disease Patients [1.739079346425631]
シックル細胞病(Sickle Cell Disease, SCD)は、世界で最も一般的な遺伝疾患の一つである。脾臓の大きさを測定するための現在のワークフローには、おそらく2次元超音波画像における手動長さ測定が続く。超音波画像から脾臓の長さを自動的に推定する深層学習法について検討した。
論文参考訳（メタデータ） (2020-09-06T10:47:49Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
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)
Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文参考訳（メタデータ） (2020-04-28T14:43:05Z)

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。