論文の概要: Automated Thoracolumbar Stump Rib Detection and Analysis in a Large CT Cohort

• arxiv url: http://arxiv.org/abs/2505.05004v1
• Date: Thu, 08 May 2025 07:21:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.78652
• Title: Automated Thoracolumbar Stump Rib Detection and Analysis in a Large CT Cohort
• Title（参考訳）: 大規模CTコホートにおける胸腰椎ステントリブの自動検出と解析
• Authors: Hendrik Möller, Hanna Schön, Alina Dima, Benjamin Keinert-Weth, Robert Graf, Matan Atad, Johannes Paetzold, Friederike Jungmann, Rickmer Braren, Florian Kofler, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke,
• Abstract要約: 本研究は胸腰椎スランプリブの自動検出と形態解析を定量的に行うことを目的とする。 我々は、リブセグメンテーションのための高分解能ディープラーニングモデルを訓練し、既存のモデルと比較して大幅に改善した。 これらの特徴は, 部分的に見えるリブでは, 通常のリブと区別して0.84のF1スコアを達成できることが示されている。
• 参考スコア（独自算出の注目度）: 8.555532200080874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thoracolumbar stump ribs are one of the essential indicators of thoracolumbar transitional vertebrae or enumeration anomalies. While some studies manually assess these anomalies and describe the ribs qualitatively, this study aims to automate thoracolumbar stump rib detection and analyze their morphology quantitatively. To this end, we train a high-resolution deep-learning model for rib segmentation and show significant improvements compared to existing models (Dice score 0.997 vs. 0.779, p-value < 0.01). In addition, we use an iterative algorithm and piece-wise linear interpolation to assess the length of the ribs, showing a success rate of 98.2%. When analyzing morphological features, we show that stump ribs articulate more posteriorly at the vertebrae (-19.2 +- 3.8 vs -13.8 +- 2.5, p-value < 0.01), are thinner (260.6 +- 103.4 vs. 563.6 +- 127.1, p-value < 0.01), and are oriented more downwards and sideways within the first centimeters in contrast to full-length ribs. We show that with partially visible ribs, these features can achieve an F1-score of 0.84 in differentiating stump ribs from regular ones. We publish the model weights and masks for public use.
• Abstract（参考訳）: 胸腰椎ステンプリブは胸腰椎移行椎骨や列挙異常の重要な指標の1つである。 これらの異常を手動で評価し,そのリブを定性的に記述する研究もあるが,本研究は胸腰椎のスタンプリブの自動検出と形態解析を定量的に行うことを目的としている。 そこで我々は,リブセグメンテーションのための高分解能深層学習モデルを訓練し,既存のモデルと比較して大幅に改善した(Dice score 0.997 vs. 0.779, p-value < 0.01)。 さらに,リブの長さを評価するために反復アルゴリズムと一方向線形補間を用い,98.2%の成功率を示した。 形態学的特徴を解析したところ, 椎骨ではより後方側(19.2 +- 3.8 vs -13.8 +- 2.5, p-value < 0.01), より薄く(260.6 +- 103.4 vs. 563.6 +- 127.1, p-value < 0.01) で, フル長のリブとは対照的に, より下向き, 横方向を向いていることが明らかとなった。 これらの特徴は, 部分的に見えるリブでは, 通常のリブと区別して0.84のF1スコアを達成できることが示されている。 モデルウェイトとマスクを公開して公開しています。

関連論文リスト

• Longitudinal Assessment of Lung Lesion Burden in CT [4.010883532297142]
  アメリカでは、肺がんが死因の第2位である。 肺結節の分節と体積解析に対する多くのアプローチが提案されているが, 肺腫瘍の総負担の経時的変化を考察する例は少ない。 本研究は,肺病変を自動的に分節し,各患者の総病変負担を定量化するために,解剖学的先行と非解剖学的先行の2つの3Dモデル(nnUNet)を訓練した。
  論文  参考訳（メタデータ） (2025-04-09T14:30:43Z)
• SpineFM: Leveraging Foundation Models for Automatic Spine X-ray Segmentation [0.0]
  本稿では,脊椎の自動分割と同定における最先端性能を実現する新しいパイプラインであるSpineFMを紹介する。 椎骨の97.8%と99.6%の同定に成功した2つの公開X線データセットにおいて、優れた結果を得た。
  論文  参考訳（メタデータ） (2024-11-01T02:51:21Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
  肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。 深層学習モデルは、大きな胸部X線写真データセットで訓練された。
  論文  参考訳（メタデータ） (2020-08-13T15:45:44Z)
• Automated Identification of Thoracic Pathology from Chest Radiographs with Enhanced Training Pipeline [0.0]
  現在入手可能な112のChestX-ray14、30,805人の胸部X線写真を用いています。 各画像には「NoFinding」クラスまたは14の胸部病理組織ラベルが付与された。 k-hotエンコーディングを用いてラベルをバイナリベクトルとして符号化した。
  論文  参考訳（メタデータ） (2020-06-11T20:43:09Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。