論文の概要: InterSliceBoost: Identifying Tissue Layers in Three-dimensional Ultrasound Images for Chronic Lower Back Pain (cLBP) Assessment

• arxiv url: http://arxiv.org/abs/2503.19735v1
• Date: Tue, 25 Mar 2025 15:02:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:02.377116
• Title: InterSliceBoost: Identifying Tissue Layers in Three-dimensional Ultrasound Images for Chronic Lower Back Pain (cLBP) Assessment
• Title（参考訳）: 慢性腰痛(cLBP)評価のための3次元超音波像における組織層同定のためのインタースライスブース
• Authors: Zixue Zeng, Matthew Cartier, Xiaoyan Zhao, Pengyu Chen, Xin Meng, Zhiyu Sheng, Maryam Satarpour, John M Cormack, Allison C. Bean, Ryan P. Nussbaum, Maya Maurer, Emily Landis-Walkenhorst, Kang Kim, Ajay D. Wasan, Jiantao Pu,
• Abstract要約: 部分注釈付きデータセット上でセグメンテーションモデルのトレーニングを可能にするために,InterSliceBoostと呼ばれる新しいアプローチを開発し,検証する。 InterSliceBoostのアーキテクチャには、インタースライスジェネレータとセグメンテーションモデルという2つのコンポーネントが含まれている。 セグメンテーションモデルは、部分的にアノテートされたデータセット(例えば、スキップ1, 2, 3, or 7イメージ)と生成されたインタースライスIMPでトレーニングされる。
• 参考スコア（独自算出の注目度）: 7.089881575180145
• License:
• Abstract: Available studies on chronic lower back pain (cLBP) typically focus on one or a few specific tissues rather than conducting a comprehensive layer-by-layer analysis. Since three-dimensional (3-D) images often contain hundreds of slices, manual annotation of these anatomical structures is both time-consuming and error-prone. We aim to develop and validate a novel approach called InterSliceBoost to enable the training of a segmentation model on a partially annotated dataset without compromising segmentation performance. The architecture of InterSliceBoost includes two components: an inter-slice generator and a segmentation model. The generator utilizes residual block-based encoders to extract features from adjacent image-mask pairs (IMPs). Differential features are calculated and input into a decoder to generate inter-slice IMPs. The segmentation model is trained on partially annotated datasets (e.g., skipping 1, 2, 3, or 7 images) and the generated inter-slice IMPs. To validate the performance of InterSliceBoost, we utilized a dataset of 76 B-mode ultrasound scans acquired on 29 subjects enrolled in an ongoing cLBP study. InterSliceBoost, trained on only 33% of the image slices, achieved a mean Dice coefficient of 80.84% across all six layers on the independent test set, with Dice coefficients of 73.48%, 61.11%, 81.87%, 95.74%, 83.52% and 88.74% for segmenting dermis, superficial fat, superficial fascial membrane, deep fat, deep fascial membrane, and muscle. This performance is significantly higher than the conventional model trained on fully annotated images (p<0.05). InterSliceBoost can effectively segment the six tissue layers depicted on 3-D B-model ultrasound images in settings with partial annotations.
• Abstract（参考訳）: 慢性腰痛(cLBP)に関する一般的な研究は、一般的に1つまたはいくつかの特定の組織に焦点を当てる。 3次元の3次元画像は数百個のスライスを含むことが多いため、これらの解剖学的構造の手動アノテーションは、時間と誤差の両方を伴っている。 セグメンテーション性能を損なうことなく、部分アノテーション付きデータセット上でセグメンテーションモデルのトレーニングを可能にする、InterSliceBoostと呼ばれる新しいアプローチを開発し、検証することを目指している。 InterSliceBoostのアーキテクチャには、インタースライスジェネレータとセグメンテーションモデルという2つのコンポーネントが含まれている。 このジェネレータは、残留ブロックベースのエンコーダを使用して、隣接する画像マスクペア(IMP)から特徴を抽出する。 差分特徴を計算してデコーダに入力し、スライス間IMPを生成する。 セグメンテーションモデルは、部分的にアノテートされたデータセット(例えば、スキップする1, 2, 3, 7,イメージ)と生成されたインタースライスIMPに基づいてトレーニングされる。 InterSliceBoostの有効性を検証するために,現在進行中のcLBP研究に登録されている29名の被験者を対象に,76個のBモード超音波スキャンのデータセットを用いた。 画像スライスのわずか33%で訓練されたInterSliceBoostは、Dice係数が73.48%、61.11%、81.87%、95.74%、83.52%、88.74%で、独立したテストセット上の6つの層で平均80.84%のDice係数を達成した。 この性能は, 完全アノテート画像(p<0.05。 InterSliceBoostは、3次元Bモデル超音波画像に描かれた6つの組織層を部分アノテーションで効果的に分割することができる。

関連論文リスト

• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• AATCT-IDS: A Benchmark Abdominal Adipose Tissue CT Image Dataset for Image Denoising, Semantic Segmentation, and Radiomics Evaluation [12.28273489510472]
  本稿では,ATTCT-IDSにおける各種手法の性能を比較し,解析する。 このオープンソースのデータセットは、腹部脂肪組織の多次元的特徴を探るために研究者を惹きつけることができる。
  論文  参考訳（メタデータ） (2023-08-16T07:02:02Z)
• NUMSnet: Nested-U Multi-class Segmentation network for 3D Medical Image Stacks [1.2335698325757494]
  NUMSnetはUnetモデルの新たな変種であり、ネストした層を通してスキャン間でピクセル近傍の特徴を伝達する。 NUMSnetモデルのセマンティックセグメンテーション性能をいくつかのUnetモデルと比較して解析する。 提案モデルは,最小限のトレーニングデータセットを用いて,様々なボリュームイメージスタック上でのマルチクラスセマンティックセマンティックセマンティックセマンティクスを標準化することができる。
  論文  参考訳（メタデータ） (2023-04-05T19:16:29Z)
• Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
  非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。 我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2023-01-17T10:39:39Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
  MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。 本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。 さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
  論文  参考訳（メタデータ） (2021-09-03T09:27:07Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)

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。