論文の概要: Automatic Prostate Volume Estimation in Transabdominal Ultrasound Images
- arxiv url: http://arxiv.org/abs/2502.07859v1
- Date: Tue, 11 Feb 2025 16:29:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:45:24.809569
- Title: Automatic Prostate Volume Estimation in Transabdominal Ultrasound Images
- Title（参考訳）: 経腹部超音波画像における前立腺容積の自動推定
- Authors: Tiziano Natali, Liza M. Kurucz, Matteo Fusaglia, Laura S. Mertens, Theo J. M. Ruers, Pim J. van Leeuwen, Behdad Dashtbozorg,
- Abstract要約: 経直腸超音波(TAUS)は非侵襲的な代替手段を提供するが、画像品質の低下、複雑な解釈、オペレーターの専門知識への依存といった課題に直面している。
本研究では,TAUSを用いたPV自動推定のためのディープラーニングベースのフレームワークを提案する。
前立腺を効果的に分断し、その体積を推定し、早期前立腺検出のための信頼性の高い非侵襲的危険層形成の可能性を提供する。
- 参考スコア（独自算出の注目度）: 0.15705429611931052
- License:
- Abstract: Prostate cancer is a leading health concern among men, requiring accurate and accessible methods for early detection and risk stratification. Prostate volume (PV) is a key parameter in multivariate risk stratification for early prostate cancer detection, commonly estimated using transrectal ultrasound (TRUS). While TRUS provides precise prostate volume measurements, its invasive nature often compromises patient comfort. Transabdominal ultrasound (TAUS) provides a non-invasive alternative but faces challenges such as lower image quality, complex interpretation, and reliance on operator expertise. This study introduces a new deep-learning-based framework for automatic PV estimation using TAUS, emphasizing its potential to enable accurate and non-invasive prostate cancer risk stratification. A dataset of TAUS videos from 100 individual patients was curated, with manually delineated prostate boundaries and calculated diameters by an expert clinician as ground truth. The introduced framework integrates deep-learning models for prostate segmentation in both axial and sagittal planes, automatic prostate diameter estimation, and PV calculation. Segmentation performance was evaluated using Dice correlation coefficient (%) and Hausdorff distance (mm). Framework's volume estimation capabilities were evaluated on volumetric error (mL). The framework demonstrates that it can estimate PV from TAUS videos with a mean volumetric error of -5.5 mL, which results in an average relative error between 5 and 15%. The introduced framework for automatic PV estimation from TAUS images, utilizing deep learning models for prostate segmentation, shows promising results. It effectively segments the prostate and estimates its volume, offering potential for reliable, non-invasive risk stratification for early prostate detection.
- Abstract（参考訳）: 前立腺がんは男性の間で主要な健康上の問題であり、早期発見とリスク階層化のために正確でアクセスしやすい方法を必要とする。
前立腺容積 (PV) は, 経直腸超音波 (TRUS) を用いて推定される早期前立腺癌検出のための多変量リスク層形成における重要なパラメータである。
TRUSは正確な前立腺容積測定を提供するが、その侵襲的な性質は患者の快適さを損なう。
経腹部超音波(TAUS)は非侵襲的な代替手段を提供するが、画像品質の低下、複雑な解釈、オペレーターの専門知識への依存といった課題に直面している。
本研究では,TAUSを用いたPV自動推定のための新しいディープラーニングベースのフレームワークを提案する。
100人の患者から得られたTAUSビデオのデータセットを、手動で記述した前立腺の境界線と、専門の臨床医によって地上の真実として計算された直径で収集した。
導入したフレームワークは、軸面と矢状面の両方における前立腺領域分割のためのディープラーニングモデル、自動前立腺径推定、PV計算を統合する。
ディス相関係数(%)とハウスドルフ距離(mm)を用いてセグメンテーション性能を評価した。
フレームワークの容積推定能力は,容積誤差(mL)に基づいて評価した。
このフレームワークは、平均体積誤差 -5.5 mL で TAUS ビデオからPV を推定できることを示し、平均相対誤差は 5 から 15% である。
前立腺のセグメンテーションにディープラーニングモデルを利用するTAUS画像からPVの自動推定を行うフレームワークが,有望な結果を示している。
前立腺を効果的に分断し、その体積を推定し、早期前立腺検出のための信頼性の高い非侵襲的危険層形成の可能性を提供する。
関連論文リスト
- A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。
乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。
BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
論文 参考訳（メタデータ） (2025-01-12T16:39:13Z) - AI-based Automatic Segmentation of Prostate on Multi-modality Images: A Review [17.187976904150545]
前立腺癌患者の死亡率の低下には早期発見が不可欠である。
前立腺のセグメンテーションは、画像と前立腺の複雑な組織構造に欠陥があるため困難である。
最近の機械学習とデータマイニングツールは、画像セグメンテーションを含む様々な医療分野に統合されている。
論文 参考訳（メタデータ） (2024-07-09T07:36:18Z) - ProsDectNet: Bridging the Gap in Prostate Cancer Detection via
Transrectal B-mode Ultrasound Imaging [2.6024562346319167]
ProsDectNetはBモード超音波で前立腺がんを局在させるマルチタスクディープラーニングアプローチである。
MRI-TRUS 融合生検を施行した289例のコホートを用いて, ProsDectNet の訓練と評価を行った。
以上の結果から,ProsDectNetはコンピュータ支援診断システムとして利用できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-12-08T19:40:35Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - Skeleton Graph-based Ultrasound-CT Non-rigid Registration [40.40844749663152]
皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。
提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
論文 参考訳（メタデータ） (2023-05-14T19:21:43Z) - Prostate Lesion Estimation using Prostate Masks from Biparametric MRI [0.0]
マルチパラメトリック前立腺MRIの代替としてバイパラメトリックMRIが登場した。
前立腺癌(csPCA)の診断は困難である。
ディープラーニングアルゴリズムはコホート研究において、csPCAを検出する代替ソリューションとして登場した。
論文 参考訳（メタデータ） (2023-01-11T13:20:24Z) - Towards Confident Detection of Prostate Cancer using High Resolution
Micro-ultrasound [7.826781688190151]
経直腸超音波ガイド下生検における前立腺癌の診断は困難である。
マイクロ超音波による高周波超音波イメージングの最近の進歩は、高分解能で組織イメージングの能力を劇的に高めている。
本研究の目的は,マイクロ超音波ガイド下前立腺癌生検を対象とする,堅牢な深層学習モデルの開発である。
論文 参考訳（メタデータ） (2022-07-21T14:00:00Z) - Uncertainty-Informed Deep Learning Models Enable High-Confidence
Predictions for Digital Histopathology [40.96261204117952]
肺腺癌と扁平上皮癌を鑑別するモデルを訓練し,高い信頼度予測がUQなしで予測を上回ることを示す。
非肺癌コホートに対する腺癌と扁平上皮癌との高信頼度予測を精度良く行うことで, 領域シフトの設定においてUQ閾値の信頼性が保たれることを示す。
論文 参考訳（メタデータ） (2022-04-09T17:35:37Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - A Cascaded Residual UNET for Fully Automated Segmentation of Prostate
and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images [1.6710577107094644]
前立腺癌の非侵襲的診断には多パラメータMR画像が有効であることが示されている。
本研究では,前立腺と周辺領域のセグメンテーションのための残留ブロック,カスケードMRes-UNETを用いた完全自動深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-25T03:16:52Z)
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。