Fugu-MT 論文翻訳(概要): A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI)

論文の概要: A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI)

arxiv url: http://arxiv.org/abs/2503.20722v1
Date: Wed, 26 Mar 2025 17:03:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-27 13:21:30.590398
Title: A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI)
Title（参考訳）: Whole-Body Diffusion-Weighted MRI(WB-DWI)における骨格,内臓器,脊柱管の高速局在と非直線化のための弱い教師付き深層学習モデル
Authors: A. Candito, A. Dragan, R. Holbrey, A. Ribeiro, R. Donners, C. Messiou, N. Tunariu, D. -M. Koh, M. D. Blackledge, The Institute of Cancer Research, London, United Kingdom, The Royal Marsden NHS Foundation Trust, London, United Kingdom, University Hospital Basel, Basel, Switzerland,
Abstract要約: 全体拡散強調MRI(WB-DWI)のADC値とTotal Diffusion Volume(TDV)が癌画像バイオマーカーとして認識されている。最初のステップとして, 骨格, 隣接する内臓器(肝, 脾臓, 膀胱, 腎臓) および脊髄の高速かつ再現可能な確率マップを生成するアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Background: Apparent Diffusion Coefficient (ADC) values and Total Diffusion Volume (TDV) from Whole-body diffusion-weighted MRI (WB-DWI) are recognized cancer imaging biomarkers. However, manual disease delineation for ADC and TDV measurements is unfeasible in clinical practice, demanding automation. As a first step, we propose an algorithm to generate fast and reproducible probability maps of the skeleton, adjacent internal organs (liver, spleen, urinary bladder, and kidneys), and spinal canal. Methods: We developed an automated deep-learning pipeline based on a 3D patch-based Residual U-Net architecture that localizes and delineates these anatomical structures on WB-DWI. The algorithm was trained using "soft-labels" (non-binary segmentations) derived from a computationally intensive atlas-based approach. For training and validation, we employed a multi-center WB-DWI dataset comprising 532 scans from patients with Advanced Prostate Cancer (APC) or Multiple Myeloma (MM), with testing on 45 patients. Results: Our weakly-supervised deep learning model achieved an average dice score/precision/recall of 0.66/0.6/0.73 for skeletal delineations, 0.8/0.79/0.81 for internal organs, and 0.85/0.79/0.94 for spinal canal, with surface distances consistently below 3 mm. Relative median ADC and log-transformed volume differences between automated and manual expert-defined full-body delineations were below 10% and 4%, respectively. The computational time for generating probability maps was 12x faster than the atlas-based registration algorithm (25 s vs. 5 min). An experienced radiologist rated the model's accuracy "good" or "excellent" on test datasets. Conclusion: Our model offers fast and reproducible probability maps for localizing and delineating body regions on WB-DWI, enabling ADC and TDV quantification, potentially supporting clinicians in disease staging and treatment response assessment.
Abstract（参考訳）: 背景: 全体拡散強調MRI(WB-DWI)のADC値とTotal Diffusion Volume(TDV)は,癌画像バイオマーカーとして認識されている。しかし, ADC と TDV 測定のための手動疾患のデライン化は, 臨床では不可能であり, 自動化が要求される。最初のステップとして, 骨格, 隣接する内臓器(肝, 脾臓, 膀胱, 腎臓) および脊髄の高速かつ再現可能な確率マップを生成するアルゴリズムを提案する。方法:我々は,WB-DWI上のこれらの解剖学的構造をローカライズし,記述する3DパッチベースのResidual U-Netアーキテクチャに基づく,自動ディープラーニングパイプラインを開発した。このアルゴリズムは、計算集約的なアトラスに基づくアプローチから派生した「ソフトラベル」(非バイナリセグメンテーション)を用いて訓練された。前立腺癌(APC)と多発性骨髄腫(MM)の532例を多施設でスキャンし,45例を対象に検討した。結果: 内臓器では0.8/0.79/0.81, 脊髄では0.85/0.79/0.94, 表面距離は3mm以下であった。自家用と手動用で定義したフルボディデラインの相対中央値とログ変換ボリュームの差は,それぞれ10%以下と4%以下であった。確率マップ生成の計算時間はアトラスベース登録アルゴリズム(25 s vs. 5 min)より12倍高速であった。経験豊富な放射線学者は、テストデータセット上でモデルの正確さを「良い」あるいは「優れている」と評価した。結語:本モデルは,WB-DWIの身体領域の局所化と線分化のための高速かつ再現可能な確率マップを提供し,ADCおよびTDV定量化を可能にし,疾患ステージングおよび治療応答評価における臨床医を支援する可能性がある。

関連論文リスト

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)
Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
論文参考訳（メタデータ） (2024-08-09T01:21:41Z)
Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
論文参考訳（メタデータ） (2023-08-06T03:28:08Z)
A Deep Learning-Based Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis From 3D Echocardiography [0.3387808070669509]
開発したアプローチは、MVアンラスとリーフレットのマルチクラスセグメンテーションのためのU-Netアーキテクチャを備えた3次元マルチデコーダ残差畳み込みニューラルネットワーク(CNN)に依存している。プロセス全体は最小限のユーザインタラクションを必要とし、約15秒を要する。
論文参考訳（メタデータ） (2023-02-21T12:48:44Z)
Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI [14.101371684361675]
我々はZ-SSMNet(Z-SSMNet)を提案する。 Z-SSMNetは、多次元(2D/2.5D/3D)畳み込みを適応的に統合し、高密度スライス情報と異方性bpMRIのスパースス間情報を学習する。大規模未ラベルデータを用いてネットワークを事前学習するための自己教師付き学習(SSL)手法を提案する。
論文参考訳（メタデータ） (2022-12-12T10:08:46Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文参考訳（メタデータ） (2020-09-09T18:28:00Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
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)

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。