論文の概要: ScarNet: A Novel Foundation Model for Automated Myocardial Scar Quantification from LGE in Cardiac MRI

• arxiv url: http://arxiv.org/abs/2501.01372v1
• Date: Thu, 02 Jan 2025 17:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:29.517201
• Title: ScarNet: A Novel Foundation Model for Automated Myocardial Scar Quantification from LGE in Cardiac MRI
• Title（参考訳）: 心臓MRIにおけるLGEによる心筋スカー定量化のための新しい基礎モデルScarNet
• Authors: Neda Tavakoli, Amir Ali Rahsepar, Brandon C. Benefield, Daming Shen, Santiago López-Tapia, Florian Schiffers, Jeffrey J. Goldberger, Christine M. Albert, Edwin Wu, Aggelos K. Katsaggelos, Daniel C. Lee, Daniel Kim,
• Abstract要約: ScarNetは、Medical Segment Anything Model(MedSAM)のトランスフォーマーベースのエンコーダと、畳み込みベースのU-Netデコーダを組み合わせたハイブリッドモデルである。 ScarNetは184人の検査患者において、Diceスコアが0.912(IQR: 0.863--0.944)であった。 モデルは多様な画像品質と傷跡パターンにまたがって堅牢な性能を示した。
• 参考スコア（独自算出の注目度）: 8.466217673901136
• License:
• Abstract: Background: Late Gadolinium Enhancement (LGE) imaging is the gold standard for assessing myocardial fibrosis and scarring, with left ventricular (LV) LGE extent predicting major adverse cardiac events (MACE). Despite its importance, routine LGE-based LV scar quantification is hindered by labor-intensive manual segmentation and inter-observer variability. Methods: We propose ScarNet, a hybrid model combining a transformer-based encoder from the Medical Segment Anything Model (MedSAM) with a convolution-based U-Net decoder, enhanced by tailored attention blocks. ScarNet was trained on 552 ischemic cardiomyopathy patients with expert segmentations of myocardial and scar boundaries and tested on 184 separate patients. Results: ScarNet achieved robust scar segmentation in 184 test patients, yielding a median Dice score of 0.912 (IQR: 0.863--0.944), significantly outperforming MedSAM (median Dice = 0.046, IQR: 0.043--0.047) and nnU-Net (median Dice = 0.638, IQR: 0.604--0.661). ScarNet demonstrated lower bias (-0.63%) and coefficient of variation (4.3%) compared to MedSAM (bias: -13.31%, CoV: 130.3%) and nnU-Net (bias: -2.46%, CoV: 20.3%). In Monte Carlo simulations with noise perturbations, ScarNet achieved significantly higher scar Dice (0.892 \pm 0.053, CoV = 5.9%) than MedSAM (0.048 \pm 0.112, CoV = 233.3%) and nnU-Net (0.615 \pm 0.537, CoV = 28.7%). Conclusion: ScarNet outperformed MedSAM and nnU-Net in accurately segmenting myocardial and scar boundaries in LGE images. The model exhibited robust performance across diverse image qualities and scar patterns.
• Abstract（参考訳）: 背景: 後期ガドリニウム造影(LGE)は、左室LGEの左心室拡張度を主要心不全事象(MACE)を予測するため、心筋線維症とスカーリングを評価するための金の基準である。 その重要性にもかかわらず、通常のLGEベースのLV傷の定量化は、労働集約的な手動セグメンテーションとサーバ間変動によって妨げられる。 方法: コンボリューションベースのU-NetデコーダとMedSAM(Messical Segment Anything Model)から変換器ベースのエンコーダを組み合わせたハイブリッドモデルであるScarNetを提案する。 ScarNetは552例の虚血性心筋症患者に対して, 専門領域の心筋領域と傷痕領域を分けて訓練し, 184例の別例で検討した。 結果: ScarNet は184 例において,Dice スコア 0.912 (IQR: 0.863--0.944),MedSAM (median Dice = 0.046, IQR: 0.043--0.047) とnnU-Net (median Dice = 0.638, IQR: 0.604--0.661) を有意に上回った。 ScarNetは、MedSAM(バイアス:-13.31%、CoV:130.3%)やnnU-Net(バイアス:-2.46%、CoV:20.3%)と比較して、バイアス(-0.63%)と変動係数(4.3%)が低いことを示した。 モンテカルロのノイズ摂動シミュレーションでは、ScarNetはMedSAM (0.048 \pm 0.112, CoV = 233.3%) やnnU-Net (0.615 \pm 0.537, CoV = 28.7%) よりもかなり高い傷痕Dice (0.892 \pm 0.053, CoV = 5.9%) を達成した。 結論: ScarNet は MedSAM と nnU-Net に優れ,LGE 画像の心筋と傷痕の境界を正確に区分けした。 このモデルは、多様な画像品質と傷跡パターンにまたがる堅牢な性能を示した。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
  ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。 小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
  論文  参考訳（メタデータ） (2024-01-16T14:44:06Z)
• Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
  本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。 深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。 高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-11-16T06:58:46Z)
• 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)
• Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma Segmentation by Spherical Image Projection [4.721505041393889]
  球面投影型U-Net(SPU-Net)セグメンテーションモデルの設計を提案する。 複数の独立セグメンテーション予測は、1つのMRIから得られる。 このモデルは正しいセグメンテーション予測のための低い不確実性を達成し、不正確な結果に対する高い不確実性を達成した。
  論文  参考訳（メタデータ） (2022-10-12T18:11:49Z)
• 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)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Landmark detection in Cardiac Magnetic Resonance Imaging Using A Convolutional Neural Network [4.6250189957415255]
  この振り返り調査では、2つの病院のcine, LGE, T1マッピングスキャンが実施された。 CNNモデルは、長軸(LAX)画像上の2つの僧帽弁面と尖点を検出するために開発された。 RV挿入角度とLV長に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2020-08-14T00:25:59Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。