論文の概要: Leveraging Anatomical Priors for Automated Pancreas Segmentation on Abdominal CT

• arxiv url: http://arxiv.org/abs/2504.06921v1
• Date: Wed, 09 Apr 2025 14:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:06:59.743037
• Title: Leveraging Anatomical Priors for Automated Pancreas Segmentation on Abdominal CT
• Title（参考訳）: 腹部CTにおける膵全摘術における解剖学的前駆体の有用性
• Authors: Anisa V. Prasad, Tejas Sudharshan Mathai, Pritam Mukherjee, Jianfei Liu, Ronald M. Summers,
• Abstract要約: 本稿では,膵臓のセグメンテーション性能を高めるための解剖学的前駆体の有用性について検討する。 解剖学的前駆体の追加により、Diceスコアが6%増加し、Hausdorff距離が36.5mm低下した。 解剖学的前駆体の使用は膵の分画と画像バイオマーカーの導出を約束することを示している。
• 参考スコア（独自算出の注目度）: 2.630977501633263
• License:
• Abstract: An accurate segmentation of the pancreas on CT is crucial to identify pancreatic pathologies and extract imaging-based biomarkers. However, prior research on pancreas segmentation has primarily focused on modifying the segmentation model architecture or utilizing pre- and post-processing techniques. In this article, we investigate the utility of anatomical priors to enhance the segmentation performance of the pancreas. Two 3D full-resolution nnU-Net models were trained, one with 8 refined labels from the public PANORAMA dataset, and another that combined them with labels derived from the public TotalSegmentator (TS) tool. The addition of anatomical priors resulted in a 6\% increase in Dice score ($p < .001$) and a 36.5 mm decrease in Hausdorff distance for pancreas segmentation ($p < .001$). Moreover, the pancreas was always detected when anatomy priors were used, whereas there were 8 instances of failed detections without their use. The use of anatomy priors shows promise for pancreas segmentation and subsequent derivation of imaging biomarkers.
• Abstract（参考訳）: CT上膵の正確な分画は膵病理の同定と画像ベースのバイオマーカーの抽出に不可欠である。 しかし、膵分節に関する先行研究は、主にセグメンテーションモデルアーキテクチャの変更や、前処理と後処理の技術の利用に重点を置いている。 本稿では,膵臓のセグメンテーション性能を高めるための解剖学的前駆体の有用性について検討する。 2つの3DフルレゾリューションnnU-Netモデルがトレーニングされ、1つはパブリックPANORAMAデータセットから8つの改良されたラベルを持ち、もう1つはパブリックTotalSegmentator (TS)ツールから派生したラベルと組み合わせられた。 解剖学的先行値が加わったことにより、Diceスコア(p < .001$)が6倍に増加し、Hausdorff距離(p < .001$)が36.5mm減少した。 さらに, 解剖学的前駆体を用いた場合, 膵が常に検出されたが, 使用せずに検出できなかった例は8例あった。 解剖学的前駆体の使用は膵の分画と画像バイオマーカーの導出を約束することを示している。

関連論文リスト

• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
  我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。 細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。 提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
  論文  参考訳（メタデータ） (2024-01-18T23:10:08Z)
• SCPMan: Shape Context and Prior Constrained Multi-scale Attention Network for Pancreatic Segmentation [39.70422146937986]
  本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。 我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
  論文  参考訳（メタデータ） (2023-12-26T03:00:25Z)
• 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)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• MCMC Guided CNN Training and Segmentation for Pancreas Extraction [13.264181188509266]
  膵臓は、形状、大きさ、位置の解剖学的多様性が高い。 提案手法は,Markov Chain Monte Carlo (MCMC) サンプリング誘導畳み込みニューラルネットワーク (CNN) を用いた。 本法は, 腹部造影CT82巻を含むNIH膵データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-03-09T06:27:08Z)

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。