論文の概要: Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2405.08282v1
- Date: Tue, 14 May 2024 02:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 15:08:02.580250
- Title: Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークを用いた非コントラストCTにおける腎臓と嚢胞性腎病変の自動分離
- Authors: Lucas Aronson, Ruben Ngnitewe Massaa, Syed Jamal Safdar Gardezi, Andrew L. Wentland,
- Abstract要約: 従来の自動セグメンテーションモデルでは、非コントラストCT画像がほとんど無視されていた。
この研究は、非コントラストCTスキャンから腎臓と嚢胞性腎病変(CRL)を分離するために、ディープラーニング(DL)モデルを実装し、訓練することを目的としている。
- 参考スコア（独自算出の注目度）: 0.1398098625978622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Automated segmentation tools are useful for calculating kidney volumes rapidly and accurately. Furthermore, these tools have the power to facilitate large-scale image-based artificial intelligence projects by generating input labels, such as for image registration algorithms. Prior automated segmentation models have largely ignored non-contrast computed tomography (CT) imaging. This work aims to implement and train a deep learning (DL) model to segment the kidneys and cystic renal lesions (CRLs) from non-contrast CT scans. Methods: Manual segmentation of the kidneys and CRLs was performed on 150 non-contrast abdominal CT scans. The data were divided into an 80/20 train/test split and a deep learning (DL) model was trained to segment the kidneys and CRLs. Various scoring metrics were used to assess model performance, including the Dice Similarity Coefficient (DSC), Jaccard Index (JI), and absolute and percent error kidney volume and lesion volume. Bland-Altman (B-A) analysis was performed to compare manual versus DL-based kidney volumes. Results: The DL model achieved a median kidney DSC of 0.934, median CRL DSC of 0.711, and total median study DSC of 0.823. Average volume errors were 0.9% for renal parenchyma, 37.0% for CRLs, and 2.2% overall. B-A analysis demonstrated that DL-based volumes tended to be greater than manual volumes, with a mean bias of +3.0 ml (+/- 2 SD of +/- 50.2 ml). Conclusion: A deep learning model trained to segment kidneys and cystic renal lesions on non-contrast CT examinations was able to provide highly accurate segmentations, with a median kidney Dice Similarity Coefficient of 0.934. Keywords: deep learning; kidney segmentation; artificial intelligence; convolutional neural networks.
- Abstract（参考訳）: 目的:自動セグメンテーションツールは、腎臓の体積を迅速かつ正確に計算するのに有用である。
さらに、これらのツールには、画像登録アルゴリズムなどの入力ラベルを生成することによって、大規模な画像ベース人工知能プロジェクトを促進する能力がある。
従来の自動セグメンテーションモデルでは、非コントラストCT画像がほとんど無視されていた。
この研究は、非コントラストCTスキャンから腎臓と嚢胞性腎病変(CRL)を分離するために、ディープラーニング(DL)モデルを実装し、訓練することを目的としている。
方法:150例の非造影CTで腎とCRLの手技分割を行った。
データは80/20列車/テスト分割に分割し,深層学習(DL)モデルを用いて腎臓とCRLを分離した。
Dice similarity Coefficient (DSC), Jaccard Index (JI), and absolute and% error kidney volume and lesion volume。
Bland-Altman (B-A) 法を用いて, 手動式とDL型腎臓容積の比較を行った。
結果: DLモデルでは正中腎 DSC 0.934,正中腎 CRL DSC 0.711,正中腎 DSC 0.823 であった。
平均容積誤差は腎発作で0.9%,CRLで37.0%,全身で2.2%であった。
B-A分析により、DLベースのボリュームは手動ボリュームよりも大きく、平均バイアスは+3.0 ml(+/-2 SD +/-50.2 ml)であることが示された。
結語:非コントラストCT検査で腎臓と嚢胞性腎病変の分画を訓練した深層学習モデルでは,Dice similarity Coefficient 0.934。
キーワード:ディープラーニング、腎臓分割、人工知能、畳み込みニューラルネットワーク。
関連論文リスト
- KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。
腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文 参考訳（メタデータ） (2024-10-20T19:02:41Z) - Automated Measurement of Vascular Calcification in Femoral
Endarterectomy Patients Using Deep Learning [0.09999629695552192]
大きな動脈に影響を及ぼす慢性炎症性疾患である動脈硬化症は、世界的な健康リスクをもたらす。
深層学習モデルを用いて血管系をCT画像(CTA)に分類した。
大動脈から膝蓋骨への分節動脈におけるDiceの精度は平均83.4%,最先端は0.8%向上した。
論文 参考訳（メタデータ） (2023-11-27T16:47:09Z) - Kidney and Kidney Tumour Segmentation in CT Images [0.0]
本研究は,造影CT画像における腎および腎腫瘍の自動分画法の開発に焦点をあてる。
3D U-Netセグメンテーションモデルを開発した。
試験では、腎臓のDiceスコアが0.8034、腎臓のDiceスコアが0.4713、平均のDiceスコアが0.6374であった。
論文 参考訳（メタデータ） (2022-12-26T08:08:44Z) - 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) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Leveraging Clinical Characteristics for Improved Deep Learning-Based
Kidney Tumor Segmentation on CT [0.0]
本研究は, 腎癌の自動分節化を画像診断に加え, 臨床的特徴を用いることで改善できるかどうかを考察する。
造影CT検査および臨床像を施行した腎癌患者300名を含む。
セグメンテーションの改善のために臨床特性を活用するために,認識型サンプリング戦略が用いられた。
論文 参考訳（メタデータ） (2021-09-13T09:38:22Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳（メタデータ） (2020-05-27T22:39:09Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。