論文の概要: AI-Driven Automated Tool for Abdominal CT Body Composition Analysis in Gastrointestinal Cancer Management

• arxiv url: http://arxiv.org/abs/2503.07248v1
• Date: Mon, 10 Mar 2025 12:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:42.261653
• Title: AI-Driven Automated Tool for Abdominal CT Body Composition Analysis in Gastrointestinal Cancer Management
• Title（参考訳）: 消化器癌管理におけるAIによる腹部CT体組成分析ツール
• Authors: Xinyu Nan, Meng He, Zifan Chen, Bin Dong, Lei Tang, Li Zhang,
• Abstract要約: このツールは、多視点ローカライゼーションモデルと高精度2D nnUNetベースのセグメンテーションモデルを統合し、ローカライゼーション精度90%とセグメンテーションのDice Score Coefficient 0.967を実証する。 本ツールでは, 腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下手術を施行し, 腹腔鏡下腹腔鏡下手術を施行した。
• 参考スコア（独自算出の注目度）: 10.119149753057824
• License:
• Abstract: The incidence of gastrointestinal cancers remains significantly high, particularly in China, emphasizing the importance of accurate prognostic assessments and effective treatment strategies. Research shows a strong correlation between abdominal muscle and fat tissue composition and patient outcomes. However, existing manual methods for analyzing abdominal tissue composition are time-consuming and costly, limiting clinical research scalability. To address these challenges, we developed an AI-driven tool for automated analysis of abdominal CT scans to effectively identify and segment muscle, subcutaneous fat, and visceral fat. Our tool integrates a multi-view localization model and a high-precision 2D nnUNet-based segmentation model, demonstrating a localization accuracy of 90% and a Dice Score Coefficient of 0.967 for segmentation. Furthermore, it features an interactive interface that allows clinicians to refine the segmentation results, ensuring high-quality outcomes effectively. Our tool offers a standardized method for effectively extracting critical abdominal tissues, potentially enhancing the management and treatment for gastrointestinal cancers. The code is available at https://github.com/NanXinyu/AI-Tool4Abdominal-Seg.git}{https://github.com/NanXinyu/AI-Tool4Abdominal-Seg.git.
• Abstract（参考訳）: 特に中国では、正確な予後評価と効果的な治療戦略の重要性を強調している。 腹部筋と脂肪組織組成と患者の予後との間には強い相関関係が認められた。 しかし,既存の腹部組織組成分析法は時間と費用がかかり,臨床研究のスケーラビリティが制限されている。 これらの課題に対処するため,腹部CTスキャンを自動解析し,筋肉,皮下脂肪,内臓脂肪を効果的に同定・分節するAI駆動ツールを開発した。 本ツールでは,多視点ローカライゼーションモデルと高精度2D nnUNetベースのセグメンテーションモデルを統合し,セグメンテーションのためのDice Score Coefficient 0.967のローカライゼーション精度を示す。 さらに、インタラクティブなインターフェースにより、臨床医はセグメンテーションの結果を洗練し、高品質な成果を効果的に確保できる。 本ツールでは, 腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下手術を施行し, 腹腔鏡下腹腔鏡下手術を施行した。 コードはhttps://github.com/NanXinyu/AI-Tool4Abdominal-Seg.git}{https://github.com/NanXinyu/AI-Tool4Abdominal-Seg.gitで入手できる。

関連論文リスト

• Automated Muscle and Fat Segmentation in Computed Tomography for Comprehensive Body Composition Analysis [10.24313078291105]
  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。
  論文  参考訳（メタデータ） (2025-02-13T21:27:10Z)
• Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical Resectability Prediction of Pancreatic Ductal Adenocarcinoma [1.880228463170355]
  膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。 本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-01T10:39:38Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• 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)
• Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks [0.0]
  膵癌は最も致命的なタイプのがんの1つであり、診断された患者の25%は1年間しか生存せず、6%は5年間生存している。 このような画像の高度な解析は、しばしば時間を要する課題である膵を手動で分割する必要がある。 本論文は, 膵分画の2段階的アプローチについて検討し, この課題に対処するものである。 このセグメンテーションタスクは、形態的アクティブな輪郭アルゴリズムと同様に、収穫データに適用された修正されたU-Netモデルによって取り組まれる。
  論文  参考訳（メタデータ） (2023-02-13T13:43:50Z)
• 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)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? [30.338209680140913]
  今回,12の医療センターから1000 (1K) 以上のCT検査を行い, 腹部CT臓器分節データセットAbdomenCT-1Kについて検討した。 肝,腎,脾,膵の分画について大規模に検討し,SOTA法の未解決分画問題を明らかにする。 未解決の問題を推し進めるために, 完全教師付き, 半教師付き, 弱教師付き, 連続学習のための4つのオルガンセグメンテーションベンチマークを構築した。
  論文  参考訳（メタデータ） (2020-10-28T08:15:27Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)

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。