論文の概要: Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images
- arxiv url: http://arxiv.org/abs/2409.02770v1
- Date: Wed, 4 Sep 2024 14:49:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 17:30:00.661268
- Title: Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images
- Title（参考訳）: 骨・筋肉評価の不確実性を考慮した骨・骨間CT画像における筋骨格分節モデルの妥当性の検討
- Authors: Mazen Soufi, Yoshito Otake, Makoto Iwasa, Keisuke Uemura, Tomoki Hakotani, Masahiro Hashimoto, Yoshitake Yamada, Minoru Yamada, Yoichi Yokoyama, Masahiro Jinzaki, Suzushi Kusano, Masaki Takao, Seiji Okada, Nobuhiko Sugano, Yoshinobu Sato,
- Abstract要約: 本研究の目的は,大腿部および大腿部のボリュームMSKセグメンテーションにおける深部学習モデルの改善について検証することであった。
モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
- 参考スコア（独自算出の注目度）: 0.795142520168573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based image segmentation has allowed for the fully automated, accurate, and rapid analysis of musculoskeletal (MSK) structures from medical images. However, current approaches were either applied only to 2D cross-sectional images, addressed few structures, or were validated on small datasets, which limit the application in large-scale databases. This study aimed to validate an improved deep learning model for volumetric MSK segmentation of the hip and thigh with uncertainty estimation from clinical computed tomography (CT) images. Databases of CT images from multiple manufacturers/scanners, disease status, and patient positioning were used. The segmentation accuracy, and accuracy in estimating the structures volume and density, i.e., mean HU, were evaluated. An approach for segmentation failure detection based on predictive uncertainty was also investigated. The model has shown an overall improvement with respect to all segmentation accuracy and structure volume/density evaluation metrics. The predictive uncertainty yielded large areas under the receiver operating characteristic (AUROC) curves (AUROCs>=.95) in detecting inaccurate and failed segmentations. The high segmentation and muscle volume/density estimation accuracy, along with the high accuracy in failure detection based on the predictive uncertainty, exhibited the model's reliability for analyzing individual MSK structures in large-scale CT databases.
- Abstract（参考訳）: 深層学習に基づく画像セグメンテーションにより、医用画像から筋骨格(MSK)構造の完全自動化、正確、迅速分析が可能となった。
しかし、現在のアプローチは2次元断面画像にのみ適用され、少数の構造に対処されるか、大規模データベースでの応用を制限する小さなデータセットで検証された。
本研究の目的は, 臨床CT画像からの不確実性評価により, 股関節, 大腿部のMSK区分けの深部学習モデルの改善を図ったことである。
複数メーカー/スキャナーからのCT画像のデータベース, 疾患状況, 患者位置のデータベースを用いて検討した。
構造体積と密度,すなわち平均HUを推定する際のセグメンテーション精度と精度を評価した。
また,予測不確実性に基づくセグメンテーション故障検出手法についても検討した。
モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
予測不確実性は,不正確なセグメンテーションの検出において受信動作特性 (AUROC) 曲線 (AUROCs=.95) の下で大きな領域を得た。
大規模CTデータベースにおいて,高セグメンテーションと筋量/密度推定精度,および予測不確実性に基づく故障検出精度は,個々のMSK構造を解析するための信頼性を示した。
関連論文リスト
- Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。
我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。
334人の患者を対象にした多心MRIデータセットの結果, 病変のモデル誤差や患者スケールをより効果的に把握できることが示唆された。
論文 参考訳（メタデータ） (2023-11-15T13:04:57Z) - Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz [9.143327181265976]
画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
診断のために、与えられた入力がトレーニングデータ分布に該当するかどうかを評価することが不可欠である。
分布外画像と分布内画像とを99.94%の曲線下領域で識別するための局所リプシッツ計量に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-05-12T17:17:01Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Exploring Structure-Wise Uncertainty for 3D Medical Image Segmentation [0.06117371161379209]
ボクセルワイドの不確実性は、人間の専門家にとって有用な視覚マーカーである。
構造的不確実性を測定し,OODデータがモデル性能に与える影響を評価する枠組みを提案する。
論文 参考訳（メタデータ） (2022-11-01T06:53:00Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Uncertainty Quantified Deep Learning for Predicting Dice Coefficient of
Digital Histopathology Image Segmentation [0.0]
我々は無作為に定量化したDLMとモンテカルロ・ドロップアウトを用いて、顕微鏡的ヘマトキシリンおよびEosin(H&E)染色前立腺核生検RGB画像から腫瘍を分離する。
我々は,1つの画像から複数の臨床領域に基づく不確実性を用いて,線形モデルにより出力されるDLMモデルのDiceを予測する新しいアプローチを考案した。
本研究の結果から, 線形モデルは不確実な深層学習の係数と相関関係を学習し, 特定の領域のDiceスコアを予測できることが示唆された。
論文 参考訳（メタデータ） (2021-08-31T23:38:17Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。