論文の概要: AI and Deep Learning for Automated Segmentation and Quantitative Measurement of Spinal Structures in MRI

• arxiv url: http://arxiv.org/abs/2503.11281v3
• Date: Wed, 19 Mar 2025 06:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 12:00:47.781097
• Title: AI and Deep Learning for Automated Segmentation and Quantitative Measurement of Spinal Structures in MRI
• Title（参考訳）: MRIにおける脊髄構造の自動分離と定量計測のためのAIとディープラーニング
• Authors: Praveen Shastry, Bhawana Sonawane, Kavya Mohan, Naveen Kumarasami, Raghotham Sripadraj, Anandakumar D, Keerthana R, Mounigasri M, Kaviya SP, Kishore Prasath Venkatesh, Bargava Subramanian, Kalyan Sivasailam,
• Abstract要約: 本研究では,MRIスキャンにおける重要な脊髄構造をセグメント化し,計測する自律型AIシステムの開発を行う。 目標は、臨床の作業量を削減し、診断の整合性を高め、評価を改善することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background: Accurate spinal structure measurement is crucial for assessing spine health and diagnosing conditions like spondylosis, disc herniation, and stenosis. Manual methods for measuring intervertebral disc height and spinal canal diameter are subjective and time-consuming. Automated solutions are needed to improve accuracy, efficiency, and reproducibility in clinical practice. Purpose: This study develops an autonomous AI system for segmenting and measuring key spinal structures in MRI scans, focusing on intervertebral disc height and spinal canal anteroposterior (AP) diameter in the cervical, lumbar, and thoracic regions. The goal is to reduce clinician workload, enhance diagnostic consistency, and improve assessments. Methods: The AI model leverages deep learning architectures, including UNet, nnU-Net, and CNNs. Trained on a large proprietary MRI dataset, it was validated against expert annotations. Performance was evaluated using Dice coefficients and segmentation accuracy. Results: The AI model achieved Dice coefficients of 0.94 for lumbar, 0.91 for cervical, and 0.90 for dorsal spine segmentation (D1-D12). It precisely measured spinal parameters like disc height and canal diameter, demonstrating robustness and clinical applicability. Conclusion: The AI system effectively automates MRI-based spinal measurements, improving accuracy and reducing clinician workload. Its consistent performance across spinal regions supports clinical decision-making, particularly in high-demand settings, enhancing spinal assessments and patient outcomes.
• Abstract（参考訳）: 背景:脊椎の正確な構造測定は脊椎疾患、椎間板ヘルニア、狭窄などの診断に不可欠である。 椎間板高さと脊柱管径を計測するための手技は主観的で時間を要する。 臨床における精度、効率、再現性を改善するためには、自動化されたソリューションが必要である。 目的: 本研究は, 頚部, 腰椎, 胸部における椎間板高さ, 脊柱管前方後部直径に着目し, MRIスキャンで重要な脊髄構造を抽出・計測する自律型AIシステムの開発である。 目標は、臨床の作業量を削減し、診断の整合性を高め、評価を改善することである。 メソッド: AIモデルは、UNet、nnU-Net、CNNなど、ディープラーニングアーキテクチャを活用する。 大規模なプロプライエタリなMRIデータセットに基づいてトレーニングされ、専門家のアノテーションに対して検証された。 Dice係数とセグメンテーション精度を用いて評価した。 結果: 腰部に対するDice係数は0.94, 頚椎に対する0.91, 背椎セグメンテーション(D1-D12)は0.90であった。 椎間板の高さや管径などの脊髄のパラメータを正確に測定し、頑丈さと臨床応用性を実証した。 結論: このAIシステムは、MRIベースの脊椎計測を効果的に自動化し、精度を改善し、臨床の作業量を削減します。 脊椎領域における一貫したパフォーマンスは、特に高需要環境での臨床的意思決定をサポートし、脊髄アセスメントと患者の結果を高める。

関連論文リスト

• Comprehensive Study on Lumbar Disc Segmentation Techniques Using MRI Data [0.0]
  本研究では,ResUnext,Ef3 Net,UNet,TransUNetなどの高度なディープラーニングアーキテクチャによる腰椎椎間板分割の有効性を評価する。 ResUnextは高いセグメンテーション精度を達成し、Pixelの精度は0.9492、Dice Coefficientは0.8425、TransUNetはそれに続く。
  論文  参考訳（メタデータ） (2024-12-25T12:54:52Z)
• Reconstruction of 3D lumbar spine models from incomplete segmentations using landmark detection [0.4194295877935868]
  不完全な3次元椎体から完全3次元腰椎モデルを再構築する新しい方法を提案する。 本手法は, 腰椎全椎をわずか0.14秒でL1からL5に区分する。
  論文  参考訳（メタデータ） (2024-12-06T14:23:42Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• 3D Vertebrae Measurements: Assessing Vertebral Dimensions in Human Spine Mesh Models Using Local Anatomical Vertebral Axes [0.4499833362998489]
  腰椎と胸椎の3次元メッシュを用いた脊椎形態計測の新しい完全自動計測法を提案する。 以上の結果より, 平均絶対誤差(MAE)が1.09mmの低分解能患者特異的脊椎メッシュを精度良く測定できることが示唆された。 これらの画像が利用可能であれば, 3次元脊椎モデルを用いて得られた測定結果を, 元の医用画像に正確に再投影できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T14:52:41Z)
• A Clinical Guideline Driven Automated Linear Feature Extraction for Vestibular Schwannoma [2.7219200491616378]
  前庭神経腫(Vestibular Schwannoma)は、バランス神経の1つから成長する良性脳腫瘍である。 患者は手術、放射線治療、あるいは保守的な「待機とスキャン」戦略で治療される。 本研究は,深層学習に基づくセグメンテーションを用いて,計算アルゴリズムを用いて関連する臨床特徴を抽出することにより,このプロセスの自動化と改善を目的とする。
  論文  参考訳（メタデータ） (2023-10-30T09:54:24Z)
• 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)
• SpineNetV2: Automated Detection, Labelling and Radiological Grading Of Clinical MR Scans [70.04389979779195]
  SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。 また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
  論文  参考訳（メタデータ） (2022-05-03T15:05:58Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• 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)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)

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。