論文の概要: Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers

• arxiv url: http://arxiv.org/abs/2505.10855v1
• Date: Fri, 16 May 2025 04:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.074097
• Title: Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers
• Title（参考訳）: 肺がんおよび乳癌における造影CTおよび非造影CTからの一般化型心筋サブ構造分画のためのプレトレーニングハイブリッドトランスフォーマー
• Authors: Aneesh Rangnekar, Nikhil Mankuzhy, Jonas Willmann, Chloe Choi, Abraham Wu, Maria Thor, Andreas Rimner, Harini Veeraraghavan,
• Abstract要約: 放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。 肺がんおよび乳癌患者の心下組織を分断するために, プレトレーニングしたトランスフォーマーをハイブリッドトランスフォーマー畳み込みネットワーク (HTN) に改良した。 HTNは, 画像, 患者特性の異なるCTからの心筋部分構造を, 確固たる精度(幾何学的, 線量的測定値)で示していた。
• 参考スコア（独自算出の注目度）: 3.704003490598663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI automated segmentations for radiation treatment planning (RTP) can deteriorate when applied in clinical cases with different characteristics than training dataset. Hence, we refined a pretrained transformer into a hybrid transformer convolutional network (HTN) to segment cardiac substructures lung and breast cancer patients acquired with varying imaging contrasts and patient scan positions. Cohort I, consisting of 56 contrast-enhanced (CECT) and 124 non-contrast CT (NCCT) scans from patients with non-small cell lung cancers acquired in supine position, was used to create oracle with all 180 training cases and balanced (CECT: 32, NCCT: 32 training) HTN models. Models were evaluated on a held-out validation set of 60 cohort I patients and 66 patients with breast cancer from cohort II acquired in supine (n=45) and prone (n=21) positions. Accuracy was measured using DSC, HD95, and dose metrics. Publicly available TotalSegmentator served as the benchmark. The oracle and balanced models were similarly accurate (DSC Cohort I: 0.80 \pm 0.10 versus 0.81 \pm 0.10; Cohort II: 0.77 \pm 0.13 versus 0.80 \pm 0.12), outperforming TotalSegmentator. The balanced model, using half the training cases as oracle, produced similar dose metrics as manual delineations for all cardiac substructures. This model was robust to CT contrast in 6 out of 8 substructures and patient scan position variations in 5 out of 8 substructures and showed low correlations of accuracy to patient size and age. A HTN demonstrated robustly accurate (geometric and dose metrics) cardiac substructures segmentation from CTs with varying imaging and patient characteristics, one key requirement for clinical use. Moreover, the model combining pretraining with balanced distribution of NCCT and CECT scans was able to provide reliably accurate segmentations under varied conditions with far fewer labeled datasets compared to an oracle model.
• Abstract（参考訳）: 放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。 そこで, 各種造影コントラスト, 患者スキャン位置の異なる心肺・乳癌患者に対して, HTN(Hybrid Transformer Convolutional Network)とHTN(Hybrid Transformer Convolutional Network)を併用した。 CECT(Central-enhanced:56 contrast-enhanced:56 contrast-enhanced:56)とNCCT(Non-Contrast CT:124 Non-Contrast CT:NCCT)からなるコホートIを用いて,180例の訓練症例とバランス (CECT: 32, NCCT: 32 training: HTN model) を用いた。 コホートI患者60名,乳がん患者66名を対象に,スピン(n=45),プロン(n=21)で獲得したコホートII(n=45)およびプロン(n=21)で評価した。 DSC, HD95, および線量測定値を用いて測定した。 公開されているTotalSegmentatorがベンチマークとして機能した。 オラクルとバランスの取れたモデルも同様に正確であった(DSC Cohort I: 0.80 \pm 0.10 vs 0.81 \pm 0.10、Cohort II: 0.77 \pm 0.13 vs 0.80 \pm 0.12)。 バランスの取れたモデルは、トレーニングケースの半分をオラクルとして使用し、すべての心臓のサブ構造を手動で記述するのと同様の線量測定値を生み出した。 本モデルでは, 8例中6例, 8例中5例でスキャン位置が変化し, 精度と年齢との相関が低かった。 HTNは, 画像, 患者特性の異なるCTからの心筋サブストラクチャーを, 臨床的必要条件の一つとして, 確固たる精度(幾何学的, 線量的測定値)を証明した。 さらに、NCCTとCECTスキャンのバランスの取れた分布を組み合わせた事前学習モデルでは、オラクルモデルと比較してラベル付きデータセットがはるかに少ない様々な条件下で、確実に正確なセグメンテーションを提供することができた。

関連論文リスト

• Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy [0.0]
  本研究の目的は, 小児上腹部腫瘍におけるOAR (delineating organs-at-risk) のCTによる多臓器分割モデルを構築することであった。 Dice similarity Coefficient (DSC) 95% Hausdorff Distance (HD95) および平均表面距離 (MSD) を用いて評価した。 Model-PMC-UMCUは9つのOARのうち、0.95以上であり、脾臓と心臓は0.90から0.95の範囲であった。 胃と膵のDSC値は0.90未満であった。
  論文  参考訳（メタデータ） (2024-11-01T13:54:31Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
  本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
  論文  参考訳（メタデータ） (2023-09-15T14:18:53Z)
• 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)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Robust Automated Framework for COVID-19 Disease Identification from a Multicenter Dataset of Chest CT Scans [27.29759500174996]
  提案モデルでは,特定の走査プロトコルを用いて,1つのイメージングセンタのみから取得した比較的小さなデータセットに基づいてトレーニングを行った。 また、列車とテストセット間のデータシフトに対処するため、教師なしアプローチでモデルを更新できることを示した。 実験の結果,提案手法は全テストセットに対して96.15%の精度で良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-09-19T22:32:55Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• 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。