論文の概要: Enhanced Muscle and Fat Segmentation for CT-Based Body Composition
Analysis: A Comparative Study
- arxiv url: http://arxiv.org/abs/2401.05294v1
- Date: Wed, 10 Jan 2024 17:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 14:09:07.222919
- Title: Enhanced Muscle and Fat Segmentation for CT-Based Body Composition
Analysis: A Comparative Study
- Title（参考訳）: CTによる体組成分析における筋と脂肪分画の増強 : 比較検討
- Authors: Benjamin Hou, Tejas Sudharshan Mathai, Jianfei Liu, Christopher
Parnell, Ronald M. Summers
- Abstract要約: 本研究は, 筋・脂肪(皮下・内臓)の分画のための内装具の信頼性を, 確立されたTtalSegmentatorツールと比較して評価した。
皮下脂肪分画と筋分画の精度を評価するためにDice scoreを用いた。
コーエンのカッパは、ツール間のセグメンテーション合意を評価するために使用された。
- 参考スコア（独自算出の注目度）: 4.553998023849396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Body composition measurements from routine abdominal CT can yield
personalized risk assessments for asymptomatic and diseased patients. In
particular, attenuation and volume measures of muscle and fat are associated
with important clinical outcomes, such as cardiovascular events, fractures, and
death. This study evaluates the reliability of an Internal tool for the
segmentation of muscle and fat (subcutaneous and visceral) as compared to the
well-established public TotalSegmentator tool.
Methods: We assessed the tools across 900 CT series from the publicly
available SAROS dataset, focusing on muscle, subcutaneous fat, and visceral
fat. The Dice score was employed to assess accuracy in subcutaneous fat and
muscle segmentation. Due to the lack of ground truth segmentations for visceral
fat, Cohen's Kappa was utilized to assess segmentation agreement between the
tools.
Results: Our Internal tool achieved a 3% higher Dice (83.8 vs. 80.8) for
subcutaneous fat and a 5% improvement (87.6 vs. 83.2) for muscle segmentation
respectively. A Wilcoxon signed-rank test revealed that our results were
statistically different with p<0.01. For visceral fat, the Cohen's kappa score
of 0.856 indicated near-perfect agreement between the two tools. Our internal
tool also showed very strong correlations for muscle volume (R^2=0.99), muscle
attenuation (R^2=0.93), and subcutaneous fat volume (R^2=0.99) with a moderate
correlation for subcutaneous fat attenuation (R^2=0.45).
Conclusion: Our findings indicated that our Internal tool outperformed
TotalSegmentator in measuring subcutaneous fat and muscle. The high Cohen's
Kappa score for visceral fat suggests a reliable level of agreement between the
two tools. These results demonstrate the potential of our tool in advancing the
accuracy of body composition analysis.
- Abstract（参考訳）: 目的: 腹部CTによる身体組成測定は, 無症候性, 疾患患者に対してパーソナライズされたリスク評価を与えることができる。
特に、筋肉と脂肪の減量と体積測定は、心血管イベント、骨折、死亡などの重要な臨床結果と関連している。
本研究は, 筋脂肪(皮下, 内臓)のセグメンテーションのための内用具の信頼性を, 確立された公的トータルセグメンタツールと比較して評価するものである。
方法: SAROSデータセットより, 筋, 皮下脂肪, 内臓脂肪に着目し, 900CTシリーズのツールについて検討した。
diceスコアは皮下脂肪および筋分画の精度を評価するために用いられた。
内臓脂肪に対する基底的真実セグメンテーションの欠如により、コーエンのkappaはツール間のセグメンテーション合意を評価するために利用された。
結果: 内装具は皮下脂肪では3%高Dice (83.8 vs. 80.8) , 筋分節では5%改善 (87.6 vs. 83.2) を得た。
ウィルコクソンサインランク試験の結果,p<0.01。
内臓脂肪では, コーエンのカッパスコア0.856は両者のほぼ完全な一致を示した。
内装具は筋量 (R^2=0.99), 筋量 (R^2=0.93), 皮下脂肪量 (R^2=0.99), 皮下脂肪量 (R^2=0.45) に極めて強い相関関係を示した。
結語: 内用具は皮下脂肪および筋肉の測定においてTotalSegmentatorより優れていた。
内臓脂肪に対するコーエンのカッパスコアは2つのツール間の信頼性の高い一致を示している。
これらの結果は, 身体組成分析の精度向上におけるツールの可能性を示している。
関連論文リスト
- An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。
本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。
提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
論文 参考訳（メタデータ） (2024-10-09T12:19:58Z) - Zero-shot 3D Segmentation of Abdominal Organs in CT Scans Using Segment Anything Model 2 [0.4477747148398817]
我々は,8施設のTotalSegmentator CTデータセットのサブセットを用いて,SAM2の腹腔内臓器の分画能力を評価した。
The Dice similarity coefficient (DSC) and " negative prompts" were analyzed。
肝 0.821 pm 0.192,右腎 0.862 pm 0.212,左腎 0.870 pm 0.154,脾 0.891 pm 0.131。
論文 参考訳（メタデータ） (2024-08-12T14:16:10Z) - 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) - Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。
そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。
T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
論文 参考訳（メタデータ） (2024-05-20T20:37:27Z) - Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。
本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文 参考訳（メタデータ） (2023-07-13T10:21:34Z) - 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) - 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) - A novel approach for the automated segmentation and volume
quantification of cardiac fats on computed tomography [0.9786690381850356]
本稿では,2種類の心臓脂肪の自律的分画と定量化のための統一的手法を提案する。
分節脂肪は心外および縦隔と呼ばれ、心膜によって互いに区別される。
提案手法は主に,所望のセグメンテーションを行うための登録アルゴリズムと分類アルゴリズムから構成される。
論文 参考訳（メタデータ） (2021-12-21T17:38:06Z) - 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) - 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)
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。