論文の概要: SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses

• arxiv url: http://arxiv.org/abs/2504.20405v1
• Date: Tue, 29 Apr 2025 04:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.744235
• Title: SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses
• Title（参考訳）: SCOPE-MRI : シャンギング診断のためのデータキュレーションと深層学習のケーススタディ
• Authors: Sahil Sethi, Sai Reddy, Mansi Sakarvadia, Jordan Serotte, Darlington Nwaudo, Nicholas Maassen, Lewis Shi,
• Abstract要約: 本研究はScopeMRIを紹介した。ScoopeMRIは、肩の病理のための、初めて公開された、専門家による注釈付きデータセットである。 標準MRIとMRAの両方でバンクアート病変を検出するためのディープラーニング(DL)フレームワークを提供する。 AUCは0.91と0.93で、感度は83%、感度は94%、特異性は91%、MRAは86%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While deep learning has shown strong performance in musculoskeletal imaging, existing work has largely focused on pathologies where diagnosis is not a clinical challenge, leaving more difficult problems underexplored, such as detecting Bankart lesions (anterior-inferior glenoid labral tears) on standard MRIs. Diagnosing these lesions is challenging due to their subtle imaging features, often leading to reliance on invasive MRI arthrograms (MRAs). This study introduces ScopeMRI, the first publicly available, expert-annotated dataset for shoulder pathologies, and presents a deep learning (DL) framework for detecting Bankart lesions on both standard MRIs and MRAs. ScopeMRI includes 586 shoulder MRIs (335 standard, 251 MRAs) from 558 patients who underwent arthroscopy. Ground truth labels were derived from intraoperative findings, the gold standard for diagnosis. Separate DL models for MRAs and standard MRIs were trained using a combination of CNNs and transformers. Predictions from sagittal, axial, and coronal views were ensembled to optimize performance. The models were evaluated on a 20% hold-out test set (117 MRIs: 46 MRAs, 71 standard MRIs). The models achieved an AUC of 0.91 and 0.93, sensitivity of 83% and 94%, and specificity of 91% and 86% for standard MRIs and MRAs, respectively. Notably, model performance on non-invasive standard MRIs matched or surpassed radiologists interpreting MRAs. External validation demonstrated initial generalizability across imaging protocols. This study demonstrates that DL models can achieve radiologist-level diagnostic performance on standard MRIs, reducing the need for invasive MRAs. By releasing ScopeMRI and a modular codebase for training and evaluating deep learning models on 3D medical imaging data, we aim to accelerate research in musculoskeletal imaging and support the development of new datasets for clinically challenging diagnostic tasks.
• Abstract（参考訳）: 深層学習は筋骨格画像において高いパフォーマンスを示してきたが、既存の研究は診断が臨床的に困難ではない病態に主に焦点を合わせており、標準的なMRIでバンナート病変(前下側副腎皮質の涙)を検出するなど、未発見の課題が残されている。 これらの病変の診断は、その微妙な画像的特徴により困難であり、しばしば侵襲的MRI関節造影(MRA)に依存する。 本研究はScopeMRIについて紹介する。ScopeMRIは肩部病理のエキスパートアノテートデータセットであり,標準MRIとMRAの両方でバンクアート病変を検出するためのディープラーニング(DL)フレームワークを提供する。 ScopeMRIは関節鏡を施行した58例の586例の肩MRI(標準335例、MRA251例)を含む。 金の診断基準である術中所見から地中真理ラベルを抽出した。 MRAと標準MRIの別々のDLモデルをCNNとトランスフォーマーの組み合わせで訓練した。 矢状、軸方向、およびコロナ視からの予測は、性能を最適化するために組み合わされた。 モデルは20%のホールドアウトテストセット(MRI:46MRA、標準MRI:71MRI)で評価された。 AUCは0.91と0.93であり、感度は83%、感度は94%、特異性は91%、MRAは86%であった。 特に, 非侵襲的標準MRIでは, MRAを解釈する放射線科医と一致または上回った。 外部検証は、イメージングプロトコル間での最初の一般化可能性を示した。 本研究は, 標準MRIにおいて, DLモデルにより放射線学レベルの診断性能が向上し, 侵襲的MRAの必要性を低減できることを実証する。 ScopeMRIと3次元医用画像データ上でのディープラーニングモデルのトレーニングと評価のためのモジュールコードベースをリリースすることにより、筋骨格画像の研究を加速し、臨床的に困難な診断タスクのための新しいデータセットの開発を支援することを目指している。

関連論文リスト

• TrackRAD2025 challenge dataset: Real-time tumor tracking for MRI-guided radiotherapy [2.45070347370137]
  このデータセットは、6つのセンターから585人の患者に2D cine MRIの矢状画像から作成されている。 より正確な運動管理と適応的な治療戦略を可能にすることにより、このデータセットは放射線治療の分野を著しく前進させる可能性がある。
  論文  参考訳（メタデータ） (2025-03-24T20:14:42Z)
• Multimodal MRI-Ultrasound AI for Prostate Cancer Detection Outperforms Radiologist MRI Interpretation: A Multi-Center Study [2.493694664727448]
  前立腺病変に対するMRI(pre-biopsy magnetic resonance imaging)の使用が増えている。 MRIで検出された病変は生検中に経直腸超音波(TRUS)画像にマッピングされなければならず、臨床上有意な前立腺癌(CsPCa)を発症する。 本研究では、MRIとTRUS画像シーケンスを統合したマルチモーダルAIフレームワークを体系的に評価し、CsPCa識別を向上する。
  論文  参考訳（メタデータ） (2025-01-31T20:04:20Z)
• Toward Non-Invasive Diagnosis of Bankart Lesions with Deep Learning [0.0]
  バンカート病変(Banart lesions)は、標準的なMRIでは診断的に困難である。 本研究は,標準MRIとMRAの両方において,Banart病変を検出するためのディープラーニング(DL)モデルを開発する。
  論文  参考訳（メタデータ） (2024-12-09T18:04:27Z)
• Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
  拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。 臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。 我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:56:10Z)
• Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
  RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
  論文  参考訳（メタデータ） (2023-11-22T16:01:44Z)
• Diagnosing Bipolar Disorder from 3-D Structural Magnetic Resonance Images Using a Hybrid GAN-CNN Method [0.0]
  本研究では、3次元構造MRI画像(sMRI)から双極性障害(BD)を診断するためのハイブリッドGAN-CNNモデルを提案する。 その結果, 精度が75.8%, 感度が60.3%, 特異性が82.5%となり, 従来よりも3.5%高いことがわかった。
  論文  参考訳（メタデータ） (2023-10-11T10:17:41Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI Reconstruction Models and their Generalizability to Varying Coil Configurations [40.263770807921524]
  深層学習に基づく脳磁気共鳴画像(MRI)再構成法は、MRI取得プロセスを加速する可能性がある。 マルチコイル磁気共鳴画像(MC-MRI)再構成チャレンジは、これらの問題に対処するためのベンチマークを提供する。 本稿では,この課題を実験的に考察し,脳MRI再建モデルのベースラインと状態のセットの結果を要約する。
  論文  参考訳（メタデータ） (2020-11-10T04:11:48Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)

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。