論文の概要: Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans

• arxiv url: http://arxiv.org/abs/2410.12641v1
• Date: Wed, 16 Oct 2024 15:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:43:18.502592
• Title: Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans
• Title（参考訳）: 肩部CTにおけるマルチタスクエンコーダデコーダネットワークにおける同時骨分割と角膜関節評価のためのカスケード学習
• Authors: Luca Marsilio, Davide Marzorati, Matteo Rossi, Andrea Moglia, Luca Mainardi, Alfonso Manzotti, Pietro Cerveri,
• Abstract要約: この研究は、肩部CTスキャンを処理する革新的なディープラーニングフレームワークを導入している。 上腕骨と肩甲骨のセグメンテーション、骨表面の3次元再構成、角膜関節領域の同定などが特徴である。 パイプラインは、セグメンテーションのための3D CEL-UNetと3倍分類のための3D Arthro-Netの2つのケースケードCNNアーキテクチャで構成されている。
• 参考スコア（独自算出の注目度）: 0.8974531206817744
• License:
• Abstract: Osteoarthritis is a degenerative condition affecting bones and cartilage, often leading to osteophyte formation, bone density loss, and joint space narrowing. Treatment options to restore normal joint function vary depending on the severity of the condition. This work introduces an innovative deep-learning framework processing shoulder CT scans. It features the semantic segmentation of the proximal humerus and scapula, the 3D reconstruction of bone surfaces, the identification of the glenohumeral (GH) joint region, and the staging of three common osteoarthritic-related pathologies: osteophyte formation (OS), GH space reduction (JS), and humeroscapular alignment (HSA). The pipeline comprises two cascaded CNN architectures: 3D CEL-UNet for segmentation and 3D Arthro-Net for threefold classification. A retrospective dataset of 571 CT scans featuring patients with various degrees of GH osteoarthritic-related pathologies was used to train, validate, and test the pipeline. Root mean squared error and Hausdorff distance median values for 3D reconstruction were 0.22mm and 1.48mm for the humerus and 0.24mm and 1.48mm for the scapula, outperforming state-of-the-art architectures and making it potentially suitable for a PSI-based shoulder arthroplasty preoperative plan context. The classification accuracy for OS, JS, and HSA consistently reached around 90% across all three categories. The computational time for the inference pipeline was less than 15s, showcasing the framework's efficiency and compatibility with orthopedic radiology practice. The outcomes represent a promising advancement toward the medical translation of artificial intelligence tools. This progress aims to streamline the preoperative planning pipeline delivering high-quality bone surfaces and supporting surgeons in selecting the most suitable surgical approach according to the unique patient joint conditions.
• Abstract（参考訳）: 変形性関節症は、骨や軟骨に影響を及ぼす変性疾患であり、しばしば骨芽細胞の形成、骨密度の低下、関節空間の狭さにつながる。 正常関節機能回復のための治療オプションは, 重症度によって異なる。 この研究は、肩部CTスキャンを処理する革新的なディープラーニングフレームワークを導入している。 上腕骨近位部と肩甲骨近位部のセグメンテーション、骨表面の3次元再構成、GH関節領域の同定、骨芽細胞形成(OS)、GH空間縮小(JS)、上腕骨アライメント(HSA)の3つの一般的な変形性関節関連病理のステージングが特徴である。 パイプラインは、セグメンテーションのための3D CEL-UNetと3倍分類のための3D Arthro-Netの2つのケースケードCNNアーキテクチャで構成されている。 各種のGH関節症関連疾患を有する患者を対象とし, パイプラインの訓練, 評価, 試験を行った。 3次元再建におけるルート平均2乗誤差とハウスドルフ距離中央値は上腕骨0.22mmと1.48mmであり、肩甲骨0.24mmと1.48mmであった。 OS,JS,HSAの分類精度は3つのカテゴリでほぼ90%に達した。 推論パイプラインの計算時間は15秒未満で、フレームワークの効率性と整形放射線学の実践との整合性を示している。 この成果は、人工知能ツールの医療翻訳に向けた有望な進歩を表している。 この進歩は、高品質な骨表面を提供する術前計画パイプラインの合理化と、特異な患者関節条件に応じて最も適切な外科的アプローチの選択を支援することを目的としている。

関連論文リスト

• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• HCA-Net: Hierarchical Context Attention Network for Intervertebral Disc Semantic Labeling [3.485615723221064]
  本稿では,IVDのセマンティックラベリングのための新しいコンテキストアテンションネットワークアーキテクチャであるHCA-Netを提案する。 本手法は,脊髄内の複雑な空間的関係を捉えるために,様々なスケールの処理機能を強化し,効果的に統合する。 さらに, 骨格損失項を導入し, モデルが脊椎への幾何学的依存を強くする。
  論文  参考訳（メタデータ） (2023-11-21T09:58:39Z)
• 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)
• WSC-Trans: A 3D network model for automatic multi-structural segmentation of temporal bone CT [5.821303529939008]
  側頭骨CTにおける多構造目標の自動セグメンテーションのための3次元ネットワークモデルを提案する。 このアルゴリズムは特徴抽出のためにCNNとTransformerを組み合わせて,空間的注意とチャネル注意機構を活用し,セグメンテーション効果をさらに改善する。
  論文  参考訳（メタデータ） (2022-11-14T06:44:37Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• Three-dimensional Segmentation of the Scoliotic Spine from MRI using Unsupervised Volume-based MR-CT Synthesis [3.6273410177512275]
  本研究では,無教師付き完全3次元(3次元)クロスモダリティ合成法を提案する。 3D CycleGANモデルはMR領域とCT領域にまたがるボリューム・ツー・ボリューム変換のために訓練される。 結果として生じるセグメンテーションは、脊椎の3次元モデルを再構成するために使用される。
  論文  参考訳（メタデータ） (2020-11-25T18:34:52Z)
• 3D Convolutional Sequence to Sequence Model for Vertebral Compression Fractures Identification in CT [1.7372615815088566]
  骨粗しょう症関連骨折は世界中で3秒ごとに発生し、女性3人に1人、男性5人に1人が50歳以上である。 本研究では,CT画像を用いた脊椎圧迫骨折の自動診断システムを提案する。 このシステムは、脊髄検出のための畳み込みニューラルネットワーク(CNN)と、新しい3Dアーキテクチャへのエンドツーエンドシーケンスを利用して、脊椎のコンパクトな3D表現を統合する。
  論文  参考訳（メタデータ） (2020-10-08T02:39:40Z)
• Deep Negative Volume Segmentation [60.44793799306154]
  対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。 我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。 顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
  論文  参考訳（メタデータ） (2020-06-22T16:55:23Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。