Fugu-MT 論文翻訳(概要): Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification

論文の概要: Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification

arxiv url: http://arxiv.org/abs/2406.15979v1
Date: Sun, 23 Jun 2024 01:32:53 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 19:33:31.820151
Title: Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification
Title（参考訳）: 腹腔鏡下腹水の深層学習分画による自動体積定量化
Authors: Benjamin Hou, Sung-Won Lee, Jung-Min Lee, Christopher Koh, Jing Xiao, Perry J. Pickhardt, Ronald M. Summers,
Abstract要約: 本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
参考スコア（独自算出の注目度）: 12.25110399510034
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Purpose: To evaluate the performance of an automated deep learning method in detecting ascites and subsequently quantifying its volume in patients with liver cirrhosis and ovarian cancer. Materials and Methods: This retrospective study included contrast-enhanced and non-contrast abdominal-pelvic CT scans of patients with cirrhotic ascites and patients with ovarian cancer from two institutions, National Institutes of Health (NIH) and University of Wisconsin (UofW). The model, trained on The Cancer Genome Atlas Ovarian Cancer dataset (mean age, 60 years +/- 11 [s.d.]; 143 female), was tested on two internal (NIH-LC and NIH-OV) and one external dataset (UofW-LC). Its performance was measured by the Dice coefficient, standard deviations, and 95% confidence intervals, focusing on ascites volume in the peritoneal cavity. Results: On NIH-LC (25 patients; mean age, 59 years +/- 14 [s.d.]; 14 male) and NIH-OV (166 patients; mean age, 65 years +/- 9 [s.d.]; all female), the model achieved Dice scores of 0.855 +/- 0.061 (CI: 0.831-0.878) and 0.826 +/- 0.153 (CI: 0.764-0.887), with median volume estimation errors of 19.6% (IQR: 13.2-29.0) and 5.3% (IQR: 2.4-9.7) respectively. On UofW-LC (124 patients; mean age, 46 years +/- 12 [s.d.]; 73 female), the model had a Dice score of 0.830 +/- 0.107 (CI: 0.798-0.863) and median volume estimation error of 9.7% (IQR: 4.5-15.1). The model showed strong agreement with expert assessments, with r^2 values of 0.79, 0.98, and 0.97 across the test sets. Conclusion: The proposed deep learning method performed well in segmenting and quantifying the volume of ascites in concordance with expert radiologist assessments.
Abstract（参考訳）: 目的:肝硬変および卵巣癌患者の腹水検出における自動深層学習法の性能を評価すること。材料と方法: この回顧調査では, 硬変性腹水患者と国立衛生研究所(NIH)とウィスコンシン大学(UofW)の卵巣癌患者の造影・非造影腹部CT検査を行った。このモデルはThe Cancer Genome Atlas Ovarian Cancer データセット(平均年齢60歳+/-11歳女性143名)で訓練され、2つの内部(NIH-LCとNIH-OV)と1つの外部データセット(UofW-LC)で試験された。その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。結果: NIH-LC (25例, 平均年齢, 59歳+/-14例, 男性14例, 平均年齢, 平均年齢, 65歳+/-9例, 女性全例)では, Diceスコアが0.855+/-0.061 (CI: 0.831-0.878) と0.826+/-0.153 (CI: 0.764-0.887) でそれぞれ19.6% (IQR: 13.2-29.0) と5.3% (IQR: 2.4-9.7) であった。 UofW-LC(平均年齢124人、平均年齢46歳+/-12歳、女性73人)では、Diceスコアが0.830+/- 0.107(CI: 0.798-0.863)、中央ボリューム推定誤差が9.7%(IQR: 4.5-15.1)であった。このモデルは専門家による評価と強く一致し、r^2は0.79、0.98、0.97である。結論: 提案した深層学習法は, 専門的放射線学者による評価と一致して, 腹水量を定量化し, セグメンテーションにおいて良好に機能した。

関連論文リスト

Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文参考訳（メタデータ） (2024-05-12T20:02:25Z)
Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文参考訳（メタデータ） (2024-02-08T16:54:20Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。 CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
論文参考訳（メタデータ） (2023-01-20T20:54:25Z)
A Generalizable Artificial Intelligence Model for COVID-19 Classification Task Using Chest X-ray Radiographs: Evaluated Over Four Clinical Datasets with 15,097 Patients [6.209420804714487]
トレーニングされたモデルの一般化性は、4つの異なる実世界の臨床データセットを用いて遡及的に評価された。単一ソースの臨床データセットを使用してトレーニングされたAIモデルは、内部時間テストセットに適用すると、AUCが0.82に達した。医療画像・データ資源センターが収集した多施設のCOVID-19データセットに適用すると、AUCは0.79に達した。
論文参考訳（メタデータ） (2022-10-04T04:12:13Z)
Automated assessment of disease severity of COVID-19 using artificial intelligence with synthetic chest CT [13.44182694693376]
公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
論文参考訳（メタデータ） (2021-12-11T02:03:30Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
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)
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。