論文の概要: Deep Learning-Based Automated Workflow for Accurate Segmentation and Measurement of Abdominal Organs in CT Scans

• arxiv url: http://arxiv.org/abs/2503.10717v1
• Date: Thu, 13 Mar 2025 06:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:08:28.170048
• Title: Deep Learning-Based Automated Workflow for Accurate Segmentation and Measurement of Abdominal Organs in CT Scans
• Title（参考訳）: 深層学習に基づくCTスキャンにおける腹部臓器の正確な分類と計測のための自動ワークフロー
• Authors: Praveen Shastry, Ashok Sharma, Kavya Mohan, Naveen Kumarasami, Anandakumar D, Mounigasri M, Keerthana R, Kishore Prasath Venkatesh, Bargava Subramanian, Kalyan Sivasailam,
• Abstract要約: 本研究の目的は,CTスキャンにおける腹部臓器の分画と計測のための自動ワークフローの開発と評価である。 提案手法はCTスキャンにおける腹部臓器計測の自動化,効率的,信頼性の高いソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background: Automated analysis of CT scans for abdominal organ measurement is crucial for improving diagnostic efficiency and reducing inter-observer variability. Manual segmentation and measurement of organs such as the kidneys, liver, spleen, and prostate are time-consuming and subject to inconsistency, underscoring the need for automated approaches. Purpose: The purpose of this study is to develop and validate an automated workflow for the segmentation and measurement of abdominal organs in CT scans using advanced deep learning models, in order to improve accuracy, reliability, and efficiency in clinical evaluations. Methods: The proposed workflow combines nnU-Net, U-Net++ for organ segmentation, followed by a 3D RCNN model for measuring organ volumes and dimensions. The models were trained and evaluated on CT datasets with metrics such as precision, recall, and Mean Squared Error (MSE) to assess performance. Segmentation quality was verified for its adaptability to variations in patient anatomy and scanner settings. Results: The developed workflow achieved high precision and recall values, exceeding 95 for all targeted organs. The Mean Squared Error (MSE) values were low, indicating a high level of consistency between predicted and ground truth measurements. The segmentation and measurement pipeline demonstrated robust performance, providing accurate delineation and quantification of the kidneys, liver, spleen, and prostate. Conclusion: The proposed approach offers an automated, efficient, and reliable solution for abdominal organ measurement in CT scans. By significantly reducing manual intervention, this workflow enhances measurement accuracy and consistency, with potential for widespread clinical implementation. Future work will focus on expanding the approach to other organs and addressing complex pathological cases.
• Abstract（参考訳）: 背景:腹部臓器計測のためのCTスキャンの自動解析は,診断効率の向上とサーバ間変動の低減に不可欠である。 手動による腎臓、肝臓、脾臓、前立腺などの臓器の分節と測定は時間を要するため、自動化されたアプローチの必要性を裏付ける。 目的: 本研究の目的は, 臨床評価における精度, 信頼性, 効率を向上させるために, 高度な深層学習モデルを用いたCTスキャンにおける腹部臓器の分画と計測のための自動ワークフローを開発し, 評価することである。 方法: 提案するワークフローは,臓器のセグメンテーションのための nnU-Net,U-Net++ と,臓器の体積と寸法を測定する3D RCNN モデルを組み合わせたものである。 モデルは、精度、リコール、Mean Squared Error(MSE)などのメトリクスでCTデータセット上でトレーニングされ、評価された。 患者解剖およびスキャナ設定の変動に対する適応性について, セグメンテーション品質を検証した。 結果: 開発されたワークフローは高い精度とリコール値を獲得し, 対象臓器の95以上を占めた。 Mean Squared Error (MSE) 値は低く、予測された真理値と地上の真理値の一致度が高いことが示唆された。 セグメンテーションと測定パイプラインは堅牢な性能を示し、腎臓、肝臓、脾臓、前立腺の正確な明細と定量化を可能にした。 結論: 提案手法はCTスキャンにおける腹部臓器計測の自動化, 効率的, 信頼性の高いソリューションを提供する。 手動による介入を大幅に減少させることで、このワークフローは測定精度と整合性を高め、広範な臨床実装の可能性を秘めている。 今後の研究は、他の臓器へのアプローチの拡大と、複雑な病理学的ケースへの対処に焦点を当てる。

関連論文リスト

• Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images [0.795142520168573]
  本研究の目的は,大腿部および大腿部のボリュームMSKセグメンテーションにおける深部学習モデルの改善について検証することであった。 モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
  論文  参考訳（メタデータ） (2024-09-04T14:49:35Z)
• Two-Stage Hybrid Supervision Framework for Fast, Low-resource, and Accurate Organ and Pan-cancer Segmentation in Abdomen CT [12.506232623163665]
  腹腔内臓器と腫瘍の分節化のための自己訓練と平均教師を統合したハイブリッド・教師付きフレームワークStMtを提案する。 FLARE2023の検証実験により,本手法が優れたセグメンテーション性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-11T12:12:25Z)
• 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)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Anatomical and Diagnostic Bayesian Segmentation in Prostate MRI $-$Should Different Clinical Objectives Mandate Different Loss Functions? [0.3149883354098941]
  前立腺MRIにおける解剖・悪性度のボクセルレベルの分類は, 最適な成績を得るために異なる損失関数を必要とする。 ProstateXデータセットを用いて,200件の患者試験において,各タスクの分布,領域,境界に基づく損失関数について検討した。
  論文  参考訳（メタデータ） (2021-10-25T12:44:52Z)
• 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)
• Automatic Liver Segmentation from CT Images Using Deep Learning Algorithms: A Comparative Study [0.0]
  本稿では,Liverセグメンテーションのための最も効率的なDLアーキテクチャを提案する。 完全自動肝セグメンテーションのための最も効率的かつ正確なDLアーキテクチャを明らかにすることを目的としている。 その結果,DLアルゴリズムはDICOM画像からの臓器分割を高精度に自動化できることが判明した。
  論文  参考訳（メタデータ） (2021-01-25T10:05:46Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)

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。