論文の概要: Automated Muscle and Fat Segmentation in Computed Tomography for Comprehensive Body Composition Analysis
- arxiv url: http://arxiv.org/abs/2502.09779v1
- Date: Thu, 13 Feb 2025 21:27:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:44:33.835178
- Title: Automated Muscle and Fat Segmentation in Computed Tomography for Comprehensive Body Composition Analysis
- Title(参考訳): 総合体組成解析のためのCTにおける自動筋と脂肪分画
- Authors: Yaqian Chen, Hanxue Gu, Yuwen Chen, Jicheng Yang, Haoyu Dong, Joseph Y. Cao, Adrian Camarena, Christopher Mantyh, Roy Colglazier, Maciej A. Mazurowski,
- Abstract要約: 本稿では,CT体組成解析に特化して,エンドツーエンドのセグメンテーションと特徴計算モデルを提案する。
本モデルでは, 骨格筋, 皮下脂肪組織 (SAT) , 内臓脂肪組織 (VAT) を胸部, 腹部, 骨盤領域に分割する。
また、筋肉密度、内臓-皮下脂肪比(VAT/SAT)、筋肉面積/体積、骨格筋指数(SMI)など様々な身体組成指標も提供する。
- 参考スコア(独自算出の注目度): 10.24313078291105
- License:
- Abstract: Body composition assessment using CT images can potentially be used for a number of clinical applications, including the prognostication of cardiovascular outcomes, evaluation of metabolic health, monitoring of disease progression, assessment of nutritional status, prediction of treatment response in oncology, and risk stratification for surgical and critical care outcomes. While multiple groups have developed in-house segmentation tools for this analysis, there are very limited publicly available tools that could be consistently used across different applications. To mitigate this gap, we present a publicly accessible, end-to-end segmentation and feature calculation model specifically for CT body composition analysis. Our model performs segmentation of skeletal muscle, subcutaneous adipose tissue (SAT), and visceral adipose tissue (VAT) across the chest, abdomen, and pelvis area in axial CT images. It also provides various body composition metrics, including muscle density, visceral-to-subcutaneous fat (VAT/SAT) ratio, muscle area/volume, and skeletal muscle index (SMI), supporting both 2D and 3D assessments. The model is shared for public use. To evaluate the model, the segmentation was applied to both internal and external datasets, with body composition metrics analyzed across different age, sex, and race groups. The model achieved high dice coefficients on both internal and external datasets, exceeding 89% for skeletal muscle, SAT, and VAT segmentation. The model outperforms the benchmark by 2.40% on skeletal muscle and 10.26% on SAT compared to the manual annotations given by the publicly available dataset. Body composition metrics show mean relative absolute errors (MRAEs) under 10% for all measures. Furthermore, the model provided muscular fat segmentation with a Dice coefficient of 56.27%, which can be utilized for additional analyses as needed.
- Abstract(参考訳): CT画像を用いた身体組成評価は、心臓血管の予後、代謝状態の評価、疾患の進行のモニタリング、栄養状態の評価、腫瘍学における治療反応の予測、外科的および重篤な治療結果のリスク階層化など、多くの臨床応用に応用できる可能性がある。
この分析のために複数のグループが社内セグメンテーションツールを開発してきたが、さまざまなアプリケーションで一貫して使用できるツールは非常に限られている。
このギャップを緩和するために、我々は、CT体組成分析に特化して、一般にアクセス可能なエンドツーエンドのセグメンテーションと特徴計算モデルを提案する。
本モデルでは, 胸部, 腹部, 骨盤領域における骨格筋, 皮下脂肪組織 (SAT) , 内臓脂肪組織 (VAT) の分画を行う。
また、筋肉密度、内臓-皮下脂肪比(VAT/SAT)、筋肉面積/体積、骨格筋指数(SMI)など、様々な身体組成の指標を提供し、2Dと3Dの両方の評価をサポートする。
モデルはパブリック使用のために共有されます。
モデルを評価するために、セグメント化は内部と外部の両方のデータセットに適用され、ボディコンポジションのメトリクスは年齢、性別、人種によって異なる。
このモデルでは, 骨格筋, SAT, VATのセグメンテーションにおいて, 内外両方のデータセットに対して高いダイス係数が得られた。
このモデルは、公開データセットのマニュアルアノテーションと比較すると、骨格筋では2.40%、SATでは10.26%でベンチマークを上回っている。
体組成測定では, 平均絶対誤差(MRAE)は全測定値の10%以下である。
さらに、このモデルは、Dice係数56.27%の筋肉脂肪分画を提供し、必要に応じて追加分析に利用することができる。
関連論文リスト
- 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) - Enhanced Muscle and Fat Segmentation for CT-Based Body Composition Analysis: A Comparative Study [4.244782772762874]
本研究は, 筋・脂肪(皮下・内臓)の分画のための内装具の信頼性を, 確立されたTtalSegmentatorツールと比較して評価した。
皮下脂肪分画と筋分画の精度を評価するためにDice scoreを用いた。
コーエンのカッパは、ツール間のセグメンテーション合意を評価するために使用された。
論文 参考訳(メタデータ) (2024-01-10T17:53:59Z) - 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) - Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep
Learning-based Segmentation [20.38282484296331]
2次元低線量シングルスライスCT(CT)は高分解能で定量的な組織マップを提供する。
自動セグメンテーションを併用した低用量シングルスライスCTの経時変化に関する総合的な研究は行われていない。
今回,ボルチモア縦断法(BLSA)腹部データセット1469例の1816個のスライスについて検討した。
論文 参考訳(メタデータ) (2022-09-28T16:43:29Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - 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) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - 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) - 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) - Fully-automated Body Composition Analysis in Routine CT Imaging Using 3D
Semantic Segmentation Convolutional Neural Networks [0.6999740786886535]
生体組織組成は、心臓血管疾患、腫瘍疾患、整形外科疾患において高い診断と予後を有するバイオマーカーである。
本研究の目的は,腹部CT検査による全身組織組成の完全自動的,再現性,定量的な3次元容積化を開発することである。
論文 参考訳(メタデータ) (2020-02-25T10:17:19Z)
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。