論文の概要: Robust Kidney Abnormality Segmentation: A Validation Study of an AI-Based Framework

• arxiv url: http://arxiv.org/abs/2505.07573v1
• Date: Mon, 12 May 2025 13:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.408038
• Title: Robust Kidney Abnormality Segmentation: A Validation Study of an AI-Based Framework
• Title（参考訳）: ロバスト・キドニー異常セグメンテーション:AIベースのフレームワークの検証研究
• Authors: Sarah de Boer, Hartmut Häntze, Kiran Vaidhya Venkadesh, Myrthe A. D. Buser, Gabriel E. Humpire Mamani, Lina Xu, Lisa C. Adams, Jawed Nawabi, Keno K. Bressem, Bram van Ginneken, Mathias Prokop, Alessa Hering,
• Abstract要約: 腎臓の容積は腎疾患にとって重要なバイオマーカーとなる可能性がある。 現在、臨床実践はしばしば、腎臓の大きさと異常を評価するために主観的な視覚的評価に頼っている。 本研究の目的は、頑健で徹底的に検証された腎臓異常分節アルゴリズムを開発することである。
• 参考スコア（独自算出の注目度）: 3.225563371295004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Kidney abnormality segmentation has important potential to enhance the clinical workflow, especially in settings requiring quantitative assessments. Kidney volume could serve as an important biomarker for renal diseases, with changes in volume correlating directly with kidney function. Currently, clinical practice often relies on subjective visual assessment for evaluating kidney size and abnormalities, including tumors and cysts, which are typically staged based on diameter, volume, and anatomical location. To support a more objective and reproducible approach, this research aims to develop a robust, thoroughly validated kidney abnormality segmentation algorithm, made publicly available for clinical and research use. We employ publicly available training datasets and leverage the state-of-the-art medical image segmentation framework nnU-Net. Validation is conducted using both proprietary and public test datasets, with segmentation performance quantified by Dice coefficient and the 95th percentile Hausdorff distance. Furthermore, we analyze robustness across subgroups based on patient sex, age, CT contrast phases, and tumor histologic subtypes. Our findings demonstrate that our segmentation algorithm, trained exclusively on publicly available data, generalizes effectively to external test sets and outperforms existing state-of-the-art models across all tested datasets. Subgroup analyses reveal consistent high performance, indicating strong robustness and reliability. The developed algorithm and associated code are publicly accessible at https://github.com/DIAGNijmegen/oncology-kidney-abnormality-segmentation.
• Abstract（参考訳）: 腎臓異常セグメンテーションは、特に定量的な評価を必要とする設定において、臨床ワークフローを強化する重要な可能性を秘めている。 腎臓の容積は腎疾患にとって重要なバイオマーカーとなりうるが、腎機能に直接関連する容積の変化がある。 現在、臨床実践は、しばしば、直径、体積、解剖学的位置に基づいて行われる腫瘍や嚢胞を含む、腎臓の大きさと異常を評価するための主観的な視覚的評価に頼っている。 本研究は、より客観的かつ再現性の高いアプローチを支援するために、臨床および研究用に公開されている、堅牢で徹底的に検証された腎異常分節アルゴリズムを開発することを目的とする。 我々は、利用可能なトレーニングデータセットを採用し、最先端の医療画像セグメンテーションフレームワークnnU-Netを活用している。 検証は、Dice係数と95%のHausdorff距離で定量化されたセグメンテーション性能を持つ、プロプライエタリとパブリック両方のテストデータセットを用いて行われる。 さらに,患者の性別,年齢,CTコントラストフェーズ,腫瘍組織サブタイプに基づいて,サブグループ間のロバスト性を分析した。 我々のセグメンテーションアルゴリズムは、公開データのみに基づいて訓練され、外部テストセットに効果的に一般化し、テストされたすべてのデータセットで既存の最先端モデルより優れています。 サブグループ分析は、強い堅牢性と信頼性を示す、一貫した高いパフォーマンスを示す。 開発アルゴリズムと関連するコードはhttps://github.com/DIAGNijmegen/oncology-kidney-abnormality-segmentationで公開されている。

関連論文リスト

• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• A novel open-source ultrasound dataset with deep learning benchmarks for spinal cord injury localization and anatomical segmentation [1.02101998415327]
  ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。 損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。 ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
  論文  参考訳（メタデータ） (2024-09-24T20:22:59Z)
• Assessment of Cell Nuclei AI Foundation Models in Kidney Pathology [11.60167559546617]
  この研究は、これまでで最大規模の評価であり、我々の知る限り、これまでで最大規模の評価である。 評価モデルのうち,CellViTは腎病理におけるセグメンテーション核の優れた性能を示した。 しかし、どの基礎モデルも完璧ではなく、腎臓病理学の一般的な核分割における性能ギャップは依然として残っている。
  論文  参考訳（メタデータ） (2024-08-09T22:34:13Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• From Isolation to Collaboration: Federated Class-Heterogeneous Learning for Chest X-Ray Classification [4.0907576027258985]
  フェデレートラーニングは,グローバル胸部X線分類モデル(CXR)を協調的にトレーニングするための,有望なパラダイムである。 本研究では,選択的アグリゲーションを用いてグローバルモデルの協調学習を行うFL法である外科的アグリゲーションを提案する。 その結果,本手法は現在の手法よりも優れ,一般化性が高いことがわかった。
  論文  参考訳（メタデータ） (2023-01-17T03:53:29Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• An Extensive Study on Cross-Dataset Bias and Evaluation Metrics Interpretation for Machine Learning applied to Gastrointestinal Tract Abnormality Classification [2.985964157078619]
  GI領域における疾患の自動解析は、コンピュータ科学や医学関連雑誌でホットな話題となっている。 クロスデータセットによる評価指標と機械学習モデルの明確な理解は、この分野の研究を新たな品質レベルに導くために不可欠である。 16種類のGIトラクタ条件を分類できる5つの異なる機械学習モデルの包括的評価を行う。
  論文  参考訳（メタデータ） (2020-05-08T08:59:31Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。