論文の概要: Radiomics as a measure superior to the Dice similarity coefficient for tumor segmentation performance evaluation

• arxiv url: http://arxiv.org/abs/2310.20039v1
• Date: Mon, 30 Oct 2023 21:50:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 17:25:08.372715
• Title: Radiomics as a measure superior to the Dice similarity coefficient for tumor segmentation performance evaluation
• Title（参考訳）: 腫瘍セグメンテーション性能評価のためのDice類似度係数に優れた指標としての放射能
• Authors: Yoichi Watanabe (1) and Rukhsora Akramova (1) ((1) Department of Radiation Oncology, University of Minnesota Medical School, Minneapolis, MN, USA)
• Abstract要約: 本研究は, 医師のセグメンテーション能力と自動セグメンテーションツールを評価するための優れた尺度として, 放射能の特徴を提案する。 放射線の特徴、特に形状とエネルギーに関連するものは、Dice similarity Coefficient (DSC)とは異なり、腫瘍のセグメンテーション特性の微妙な変化を捉えることができる。 発見は、これらの新しい指標が、新しい自己隔離法を評価し、医療セグメント化における個人のトレーニングを強化するために使われることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In high-quality radiotherapy delivery, precise segmentation of targets and healthy structures is essential. This study proposes Radiomics features as a superior measure for assessing the segmentation ability of physicians and auto-segmentation tools, in comparison to the widely used Dice Similarity Coefficient (DSC). The research involves selecting reproducible radiomics features for evaluating segmentation accuracy by analyzing radiomics data from 2 CT scans of 10 lung tumors, available in the RIDER Data Library. Radiomics features were extracted using PyRadiomics, with selection based on the Concordance Correlation Coefficient (CCC). Subsequently, CT images from 10 patients, each segmented by different physicians or auto-segmentation tools, were used to assess segmentation performance. The study reveals 206 radiomics features with a CCC greater than 0.93 between the two CT images, indicating robust reproducibility. Among these features, seven exhibit low Intraclass Correlation Coefficients (ICC), signifying increased sensitivity to segmentation differences. Notably, ICCs of original shape features, including sphericity, elongation, and flatness, ranged from 0.1177 to 0.995. In contrast, all DSC values exceeded 0.778. This research demonstrates that radiomics features, particularly those related to shape and energy, can capture subtle variations in tumor segmentation characteristics, unlike DSC. As a result, Radiomics features with ICC prove superior for evaluating a physician's tumor segmentation ability and the performance of auto-segmentation tools. The findings suggest that these new metrics can be employed to assess novel auto-segmentation methods and enhance the training of individuals in medical segmentation, thus contributing to improved radiotherapy practices.
• Abstract（参考訳）: 高品質な放射線治療では、標的と健全な構造の正確なセグメンテーションが不可欠である。 本研究は,広く用いられているDice similarity Coefficient (DSC)と比較して,医師やオートセグメンテーションツールのセグメンテーション能力を評価するための優れた尺度として,放射能の特徴を提案する。 ライダーデータライブラリーで利用可能な10個の肺腫瘍の2つのctスキャンから放射能データを解析することにより、セグメンテーション精度を評価するための再現可能な放射能特徴を選択する。 放射能の特徴をPyRadiomicsを用いて抽出し,CCC(Concordance correlation Coefficient)に基づく選択を行った。 その後, 10例のCT画像を用いて, それぞれ異なる医師やオートセグメンテーションツールで分割し, セグメンテーション性能を評価した。 この研究は、2つのCT画像の間にCCCが0.93以上あり、堅牢な再現性を示す206個の放射能の特徴を明らかにした。 これらの特徴のうち7つはクラス内相関係数 (icc) が低く、セグメンテーションの違いに対する感度が高まることを示している。 特に、球状性、伸長性、平坦性などの原形の特徴のICCは0.1177から0.995の範囲であった。 対照的に、すべてのdsc値は0.778であった。 本研究は, 放射線学の特徴, 特に形状とエネルギーに関する特徴が, DSCとは異なり, 腫瘍のセグメンテーション特性の微妙な変化を捉えることができることを示した。 その結果,ICCを併用したRadiomicsの特徴は,医師の腫瘍セグメンテーション能力とオートセグメンテーションツールの性能を評価する上で優れていた。 以上の結果から, これらの新しい指標は, 新しい自己隔離法の評価や, 医学的セグメンテーションにおける個人訓練の強化に有効であることが示唆された。

関連論文リスト

• Peritumoral Expansion Radiomics for Improved Lung Cancer Classification [0.0]
  本研究は, 結節の分節化とその周辺が放射線治療による肺癌の分類にどのように影響するかを検討した。 経時的領域の包含は性能を著しく向上させ, 最大で8mmの伸長が得られた。 放射線学的アプローチにより分類精度が向上した。
  論文  参考訳（メタデータ） (2024-11-24T23:04:45Z)
• Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
  本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。 本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
  論文  参考訳（メタデータ） (2024-08-08T21:40:06Z)
• Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
  放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。 我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
  論文  参考訳（メタデータ） (2024-07-05T23:14:46Z)
• 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)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• 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)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• 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)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。