論文の概要: TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood

• arxiv url: http://arxiv.org/abs/2506.05660v2
• Date: Mon, 09 Jun 2025 12:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 14:13:04.160054
• Title: TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood
• Title（参考訳）: TissUnet:成人期における頭蓋外組織の改善と頭蓋切開
• Authors: Markiian Mandzak, Elvira Yang, Anna Zapaishchykova, Yu-Hui Chen, Lucas Heilbroner, John Zielke, Divyanshu Tak, Reza Mojahed-Yazdi, Francesca Romana Mussa, Zezhong Ye, Sridhar Vajapeyam, Viviana Benitez, Ralph Salloum, Susan N. Chi, Houman Sotoudeh, Jakob Seidlitz, Sabine Mueller, Hugo J. W. L. Aerts, Tina Y. Poussaint, Benjamin H. Kann,
• Abstract要約: 頭蓋骨,皮下脂肪,筋肉を3次元T1強調MRIから抽出する深層学習モデルTissUnetを提案する。 このモデルは155対のMRI断層撮影(CT)スキャンでトレーニングされ、9つのデータセットで検証された。
• 参考スコア（独自算出の注目度）: 1.1144337101638346
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Extracranial tissues visible on brain magnetic resonance imaging (MRI) may hold significant value for characterizing health conditions and clinical decision-making, yet they are rarely quantified. Current tools have not been widely validated, particularly in settings of developing brains or underlying pathology. We present TissUnet, a deep learning model that segments skull bone, subcutaneous fat, and muscle from routine three-dimensional T1-weighted MRI, with or without contrast enhancement. The model was trained on 155 paired MRI-computed tomography (CT) scans and validated across nine datasets covering a wide age range and including individuals with brain tumors. In comparison to AI-CT-derived labels from 37 MRI-CT pairs, TissUnet achieved a median Dice coefficient of 0.79 [IQR: 0.77-0.81] in a healthy adult cohort. In a second validation using expert manual annotations, median Dice was 0.83 [IQR: 0.83-0.84] in healthy individuals and 0.81 [IQR: 0.78-0.83] in tumor cases, outperforming previous state-of-the-art method. Acceptability testing resulted in an 89% acceptance rate after adjudication by a tie-breaker(N=108 MRIs), and TissUnet demonstrated excellent performance in the blinded comparative review (N=45 MRIs), including both healthy and tumor cases in pediatric populations. TissUnet enables fast, accurate, and reproducible segmentation of extracranial tissues, supporting large-scale studies on craniofacial morphology, treatment effects, and cardiometabolic risk using standard brain T1w MRI.
• Abstract（参考訳）: 脳磁気共鳴画像(MRI)で見る頭蓋外組織は、健康状態や臨床的意思決定を特徴づけるために重要な価値を持っているが、定量化されることは稀である。 現在のツールは、特に発達する脳や下層の病理の設定において、広く検証されていない。 頭蓋骨,皮下脂肪,筋肉を3次元T1強調MRIから切り離す深層学習モデルTissUnetについて検討した。 このモデルは155対のMRI断層撮影(CT)スキャンで訓練され、幅広い年齢範囲をカバーする9つのデータセットにまたがって検証された。 健常成人コホートでは,MRI-CT37対のAI-CT由来ラベルと比較して,TissUnetは0.79[IQR: 0.77-0.81]のDice係数を得た。 専門家の手書きアノテーションを用いた第2の検証では, 健常者では0.83[IQR: 0.83-0.84], 腫瘍症例では0.81[IQR: 0.78-0.83]であり, 従来の最先端法よりも優れていた。 アクセプタビリティテストの結果, タイブレーカー (N=108 MRI) の適応後89%の受入率を示し, TissUnet は健常者および小児の腫瘍症例を含む盲検比較試験 (N=45 MRI) において優れた成績を示した。 TissUnetは頭蓋外組織の高速、高精度、再現可能なセグメンテーションを可能にし、標準的な脳のT1w MRIを用いた頭蓋顔面形態、治療効果、心メタボリックリスクに関する大規模な研究を支援する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
  本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。 The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。 総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
  論文  参考訳（メタデータ） (2024-06-25T09:56:30Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
  ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。 小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
  論文  参考訳（メタデータ） (2024-01-16T14:44:06Z)
• Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
  グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。 Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
  論文  参考訳（メタデータ） (2023-11-09T18:55:27Z)
• 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)
• Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images [0.0]
  我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。 本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
  論文  参考訳（メタデータ） (2020-10-03T07:42:17Z)
• 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。