論文の概要: Segmentation of Mediastinal Lymph Nodes in CT with Anatomical Priors
- arxiv url: http://arxiv.org/abs/2401.06272v1
- Date: Thu, 11 Jan 2024 21:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 20:57:54.946772
- Title: Segmentation of Mediastinal Lymph Nodes in CT with Anatomical Priors
- Title（参考訳）: CTにおける縦隔リンパ節の解剖学的検討
- Authors: Tejas Sudharshan Mathai, Bohan Liu, Ronald M. Summers
- Abstract要約: 胸部リンパ節(LNs)は肺がんや肺炎などの諸疾患により増大する傾向にある。
我々は28の異なる構造の解剖学的先行を生かして縦隔にLNを分節することを提案する。
NIH CT Lymph Nodeデータセットで利用可能な89人の患者のCTボリュームを使用して、3D nnUNetモデルをトレーニングし、LNをセグメンテーションした。
- 参考スコア（独自算出の注目度）: 2.087440644034646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Lymph nodes (LNs) in the chest have a tendency to enlarge due to
various pathologies, such as lung cancer or pneumonia. Clinicians routinely
measure nodal size to monitor disease progression, confirm metastatic cancer,
and assess treatment response. However, variations in their shapes and
appearances make it cumbersome to identify LNs, which reside outside of most
organs. Methods: We propose to segment LNs in the mediastinum by leveraging the
anatomical priors of 28 different structures (e.g., lung, trachea etc.)
generated by the public TotalSegmentator tool. The CT volumes from 89 patients
available in the public NIH CT Lymph Node dataset were used to train three 3D
nnUNet models to segment LNs. The public St. Olavs dataset containing 15
patients (out-of-training-distribution) was used to evaluate the segmentation
performance. Results: For the 15 test patients, the 3D cascade nnUNet model
obtained the highest Dice score of 72.2 +- 22.3 for mediastinal LNs with short
axis diameter $\geq$ 8mm and 54.8 +- 23.8 for all LNs respectively. These
results represent an improvement of 10 points over a current approach that was
evaluated on the same test dataset. Conclusion: To our knowledge, we are the
first to harness 28 distinct anatomical priors to segment mediastinal LNs, and
our work can be extended to other nodal zones in the body. The proposed method
has immense potential for improved patient outcomes through the identification
of enlarged nodes in initial staging CT scans.
- Abstract（参考訳）: 目的:胸部リンパ節(LNs)は,肺癌や肺炎などの諸疾患により増大する傾向にある。
臨床医は通常、結節の大きさを測定し、疾患の進行を監視し、転移性癌を確認し、治療反応を評価する。
しかし、その形状や外観のバリエーションは、ほとんどの臓器の外にあるLNを識別することが困難である。
方法: 公的なTotalSegmentatorツールによって生成された28の異なる構造(肺,気管など)の解剖学的先行性を利用して縦隔にLNを分画することを提案する。
公開NIH CT Lymph Nodeデータセットで利用可能な89人の患者のCTボリュームを使用して、3D nnUNetモデルをトレーニングし、LNをセグメンテーションした。
セグメンテーション性能の評価には15例の患者(訓練外分布)を含むst. olavsデータセットを用いた。
結果: 短軸径$\geq$8mm, 全LNの54.8+-23.8の縦隔LNでは, 3DカスケードnnUNetモデルが最も高いDiceスコアが72.2+-22.3であった。
これらの結果は、同じテストデータセットで評価された現在のアプローチよりも10ポイントの改善を示している。
結論:我々の知識では,28の異なる解剖学的前兆をセグメンテーション縦隔lsnに応用し,その成果を体内の他の結節域にまで拡張することができる。
提案手法は, 初期ステージングCTにおける拡張ノードの同定により, 患者の予後を向上する大きな可能性を秘めている。
関連論文リスト
- The ULS23 Challenge: a Baseline Model and Benchmark Dataset for 3D Universal Lesion Segmentation in Computed Tomography [0.0]
胸腹部・骨盤CT検査における3次元普遍的病変分割のためのULS23ベンチマークについて紹介した。
ULS23のトレーニングデータセットには、膵、結腸、骨の病変を含む、この地域全体で38,693の病変が含まれている。
論文 参考訳（メタデータ） (2024-06-07T19:37:59Z) - Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station
Stratification [26.37655039085294]
リンパ節 (LN) は体中に散在する小さな腺である。
異なる局におけるCT画像の出現とLNのコンテキストは, 自動検出の課題として大きく異なる。
駅情報を活用することでLN検出性能を向上させるための新しいエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-28T02:41:41Z) - 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) - 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。
MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。
実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
論文 参考訳（メタデータ） (2023-02-24T10:52:08Z) - A Generic Deep Learning Based Cough Analysis System from Clinically
Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。
提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。
DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文 参考訳（メタデータ） (2021-11-10T19:39:26Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Mediastinal lymph nodes segmentation using 3D convolutional neural
network ensembles and anatomical priors guiding [0.0]
拡大および潜在的悪性リンパ節の存在を評価し、疾患の進行を適切に推定し、最良の治療戦略を選択する必要があります。
3D畳み込みニューラルネットワークの使用について,スラブ方式や全ボリュームのダウンサンプリングを利用する方法を検討した。
短軸直径$geq10$ mmの1178リンパ節では、私たちの最高のパフォーマンスアプローチは92%の患者ワイズリコール、5の患者ごとの偽陽性比と80.5%の分割重複に達しました。
論文 参考訳（メタデータ） (2021-02-11T14:51:34Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Lymph Node Gross Tumor Volume Detection and Segmentation via
Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。
1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。
以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
論文 参考訳（メタデータ） (2020-08-27T00:37:50Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。