論文の概要: DeepSPV: An Interpretable Deep Learning Pipeline for 3D Spleen Volume Estimation from 2D Ultrasound Images
- arxiv url: http://arxiv.org/abs/2411.11190v1
- Date: Sun, 17 Nov 2024 22:43:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:27:23.546274
- Title: DeepSPV: An Interpretable Deep Learning Pipeline for 3D Spleen Volume Estimation from 2D Ultrasound Images
- Title（参考訳）: DeepSPV:2次元超音波画像からの3次元脾体積推定のための解釈可能なディープラーニングパイプライン
- Authors: Zhen Yuan, David Stojanovski, Lei Li, Alberto Gomez, Haran Jogeesvaran, Esther Puyol-Antón, Baba Inusa, Andrew P. King,
- Abstract要約: 脾腫は、疾患細胞病(SCD)などの様々な関連疾患に対する重要な臨床指標である
本研究では,1次元または2次元の超音波画像からスプレエン体積を正確に推定する深層学習パイプラインであるDeepSPVを提案する。
- 参考スコア（独自算出の注目度）: 7.727342487565146
- License:
- Abstract: Splenomegaly, the enlargement of the spleen, is an important clinical indicator for various associated medical conditions, such as sickle cell disease (SCD). Spleen length measured from 2D ultrasound is the most widely used metric for characterising spleen size. However, it is still considered a surrogate measure, and spleen volume remains the gold standard for assessing spleen size. Accurate spleen volume measurement typically requires 3D imaging modalities, such as computed tomography or magnetic resonance imaging, but these are not widely available, especially in the Global South which has a high prevalence of SCD. In this work, we introduce a deep learning pipeline, DeepSPV, for precise spleen volume estimation from single or dual 2D ultrasound images. The pipeline involves a segmentation network and a variational autoencoder for learning low-dimensional representations from the estimated segmentations. We investigate three approaches for spleen volume estimation and our best model achieves 86.62%/92.5% mean relative volume accuracy (MRVA) under single-view/dual-view settings, surpassing the performance of human experts. In addition, the pipeline can provide confidence intervals for the volume estimates as well as offering benefits in terms of interpretability, which further support clinicians in decision-making when identifying splenomegaly. We evaluate the full pipeline using a highly realistic synthetic dataset generated by a diffusion model, achieving an overall MRVA of 83.0% from a single 2D ultrasound image. Our proposed DeepSPV is the first work to use deep learning to estimate 3D spleen volume from 2D ultrasound images and can be seamlessly integrated into the current clinical workflow for spleen assessment.
- Abstract（参考訳）: 脾腫は, 脾臓の肥大化にともなうが, 病原性細胞病(SCD)などの関連疾患に対する重要な臨床指標である。
2次元超音波から測定された脾の長さは、脾の大きさを特徴付けるための最も広く用いられる指標である。
しかし、それでもサロゲートの指標とされ、脾臓の大きさを評価するための金の基準として脾臓の容積が残っている。
正確な脾体積測定には、通常、CTや磁気共鳴画像などの3次元画像モダリティを必要とするが、特にSCDの頻度が高いグローバル・サウスでは、これらは広く利用できない。
本研究では,1次元または2次元の超音波画像からスプレエン体積を正確に推定する深層学習パイプラインであるDeepSPVを提案する。
パイプラインはセグメンテーションネットワークと、推定セグメンテーションから低次元表現を学習するための変分オートエンコーダを含む。
我々は,スプレエン容積推定の3つのアプローチについて検討し,本モデルでは,一視点・双視条件下での平均相対容積精度 (MRVA) を86.62%/92.5%で達成し,人的専門家のパフォーマンスを上回った。
さらに、パイプラインは、容積推定に対する信頼区間を提供し、解釈可能性の観点から利益を提供することができる。
拡散モデルにより生成した超現実的な合成データセットを用いて完全なパイプラインの評価を行い,単一の2次元超音波画像からMRVA全体の83.0%を実現した。
提案したDeepSPVは2次元超音波画像から3次元脾体積を推定するためにディープラーニングを用いた最初の研究であり、脾臓評価のための現在の臨床ワークフローにシームレスに統合することができる。
関連論文リスト
- Deep Learning Framework for Spleen Volume Estimation from 2D
Cross-sectional Views [3.8212870622288744]
シングルビューまたはデュアルビュー2Dセグメンテーションから脾体積を測定するための変分オートエンコーダベースのフレームワークについて述べる。
我々の最良のモデルでは、単一のビューと双ビューのセグメンテーションで86.62%と92.58%の相対体積精度を達成した。
論文 参考訳（メタデータ） (2023-08-15T20:58:42Z) - TriadNet: Sampling-free predictive intervals for lesional volume in 3D
brain MR images [1.2234742322758418]
マルチヘッドCNNアーキテクチャをベースとしたセグメンテーション手法であるTriadNetを提案する。
大規模なMRIグリオーマ画像データベースBraTS 2021の他のソリューションよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-28T15:56:04Z) - Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound
Imaging [61.60067283680348]
新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。
本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。
本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
論文 参考訳（メタデータ） (2022-12-15T14:34:12Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - End-to-end Ultrasound Frame to Volume Registration [9.738024231762465]
2次元および3次元の登録のためのエンドツーエンドのフレーム・ツー・ボリューム登録ネットワーク(FVR-Net)を提案する。
提案モデルでは, リアルタイム介入指導において, 高い競争力のある登録精度で優れた効率性を示す。
論文 参考訳（メタデータ） (2021-07-14T01:59:42Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Deep Learning for Automatic Spleen Length Measurement in Sickle Cell
Disease Patients [1.739079346425631]
シックル細胞病(Sickle Cell Disease, SCD)は、世界で最も一般的な遺伝疾患の一つである。
脾臓の大きさを測定するための現在のワークフローには、おそらく2次元超音波画像における手動長さ測定が続く。
超音波画像から脾臓の長さを自動的に推定する深層学習法について検討した。
論文 参考訳（メタデータ） (2020-09-06T10:47:49Z) - Deep Volumetric Universal Lesion Detection using Light-Weight Pseudo 3D
Convolution and Surface Point Regression [23.916776570010285]
コンピュータ支援型病変/重要なフィンディング検出技術は、医療画像の核心にある。
そこで本研究では,(1) P3DC演算子を組み込んだ深層アンカーフリーワンステージVULDフレームワークを提案する。
3次元病変の空間範囲を効果的に抑圧する新しいSPR法は、その代表的キーポイントを病変表面にピンポイントすることで実現される。
論文 参考訳（メタデータ） (2020-08-30T19:42:06Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。