Fugu-MT 論文翻訳(概要): VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model

論文の概要: VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model

arxiv url: http://arxiv.org/abs/2311.09958v1
Date: Thu, 16 Nov 2023 15:29:21 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 13:55:22.088239
Title: VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model
Title（参考訳）: VertDetect: 完全エンドツーエンドの3次元インスタンス分割モデル
Authors: Geoff Klein, Michael Hardisty, Cari Whyne, Anne L. Martel
Abstract要約: 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。
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: Vertebral detection and segmentation are critical steps for treatment planning in spine surgery and radiation therapy. Accurate identification and segmentation are complicated in imaging that does not include the full spine, in cases with variations in anatomy (T13 and/or L6 vertebrae), and in the presence of fracture or hardware. This paper proposes VertDetect, a fully automated end-to-end 3D vertebral instance segmentation Convolutional Neural Network (CNN) model to predict vertebral level labels and segmentations for all vertebrae present in a CT scan. The utilization of a shared CNN backbone provides the detection and segmentation branches of the network with feature maps containing both spinal and vertebral level information. A Graph Convolutional Network (GCN) layer is used to improve vertebral labelling by using the known structure of the spine. This model achieved a Dice Similarity Coefficient (DSC) of 0.883 (95% CI, 0.843-0.906) and 0.882 (95% CI, 0.835-0.909) in the VerSe 2019 and 0.868 (95\% CI, 0.834-0.890) and 0.869 (95\% CI, 0.832-0.891) in the VerSe 2020 public and hidden test sets, respectively. This model achieved state-of-the-art performance for an end-to-end architecture, whose design facilitates the extraction of features that can be subsequently used for downstream tasks.
Abstract（参考訳）: 脊椎手術および放射線治療における治療計画のための脳波検出とセグメンテーションが重要である。正確な識別とセグメンテーションは、解剖学(T13および/またはL6椎骨)の変異がある場合や、骨折やハードウェアの存在下では、全脊椎を含まない画像において複雑である。本稿では,完全自動化された3d vertebral instance segmentation convolutional neural network (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。既知の脊椎の構造を用いて椎体ラベルリングを改善するために、グラフ畳み込みネットワーク(gcn)層を用いる。このモデルは、VerSe 2019では0.883(95% CI、0.843-0.906)、0.882(95% CI、0.835-0.909)、VerSe 2020では0.868(95\% CI、0.834-0.890)、0.869(95\% CI、0.832-0.891)のDice similarity Coefficient(DSC)を達成した。このモデルは、エンド・ツー・エンドのアーキテクチャで最先端のパフォーマンスを達成し、その設計は、その後下流のタスクに使用できる機能の抽出を容易にする。

関連論文リスト

SpineMamba: Enhancing 3D Spinal Segmentation in Clinical Imaging through Residual Visual Mamba Layers and Shape Priors [10.431439196002842]
本研究では,3次元脊髄データの深部意味的特徴と長距離空間依存性をモデル化するための残留視覚的マンバ層を提案する。また, 医療画像から脊椎の解剖学的情報を抽出する新規な脊髄形状先行モジュールを提案する。 SpineMambaはセグメンテーション性能が優れており、最大2ポイントを超える。
論文参考訳（メタデータ） (2024-08-28T15:59:40Z)
SALT: Introducing a Framework for Hierarchical Segmentations in Medical Imaging using Softmax for Arbitrary Label Trees [1.004700727815227]
本研究は, 解剖学的ランドマークの階層構造を地図化するために条件付き確率を利用するCT画像の新しいセグメンテーション手法を提案する。 The Cancer Imaging Archive (TCIA)のSAROSデータセットを用いて、893人の患者から900の身体領域を分離したモデルを開発した。 SAROS, CT-ORG, FLARE22, LCTSC, LUNA16, WORDなど,各種データセットのDiceスコアを用いて評価を行った。
論文参考訳（メタデータ） (2024-07-11T21:33:08Z)
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)
Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文参考訳（メタデータ） (2023-12-08T18:11:22Z)
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)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
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)
Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。 3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文参考訳（メタデータ） (2022-04-14T08:31:25Z)
Brain Tumor Segmentation and Survival Prediction using Automatic Hard mining in 3D CNN Architecture [0.30098583327398537]
我々は3次元完全畳み込みニューラルネットワーク(CNN)を用いて、マルチモーダル磁気共鳴画像(MRI)からグリオーマとその構成成分を抽出する。このアーキテクチャでは、密度の高い接続パターンを使用して重量と残留接続数を削減し、BraTS 2018データセットでこのモデルをトレーニングした結果の重量は0.448である。シース類似度係数(DSC)の閾値を高めて、エポックの増加とともにハードケースを選択することにより、セグメンテーションタスクの難しいケースを訓練するために、トレーニング中にハードマイニングを行う。
論文参考訳（メタデータ） (2021-01-05T14:34:16Z)
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。