論文の概要: Pediatric Pancreas Segmentation from MRI Scans with Deep Learning

• arxiv url: http://arxiv.org/abs/2506.15908v1
• Date: Wed, 18 Jun 2025 22:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.877308
• Title: Pediatric Pancreas Segmentation from MRI Scans with Deep Learning
• Title（参考訳）: 深層学習によるMRI画像からの小児膵分画の検討
• Authors: Elif Keles, Merve Yazol, Gorkem Durak, Ziliang Hong, Halil Ertugrul Aktas, Zheyuan Zhang, Linkai Peng, Onkar Susladkar, Necati Guzelyel, Oznur Leman Boyunaga, Cemal Yazici, Mark Lowe, Aliye Uc, Ulas Bagci,
• Abstract要約: PanSegNetは、MRIによる小児膵分画のディープラーニングアルゴリズムである。 ガジ大学における2～19歳児のMRI像84点を振り返って収集した。 PanSegNetは、健康状態と疾患のある州で専門家レベルのパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 1.22717394386384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Our study aimed to evaluate and validate PanSegNet, a deep learning (DL) algorithm for pediatric pancreas segmentation on MRI in children with acute pancreatitis (AP), chronic pancreatitis (CP), and healthy controls. Methods: With IRB approval, we retrospectively collected 84 MRI scans (1.5T/3T Siemens Aera/Verio) from children aged 2-19 years at Gazi University (2015-2024). The dataset includes healthy children as well as patients diagnosed with AP or CP based on clinical criteria. Pediatric and general radiologists manually segmented the pancreas, then confirmed by a senior pediatric radiologist. PanSegNet-generated segmentations were assessed using Dice Similarity Coefficient (DSC) and 95th percentile Hausdorff distance (HD95). Cohen's kappa measured observer agreement. Results: Pancreas MRI T2W scans were obtained from 42 children with AP/CP (mean age: 11.73 +/- 3.9 years) and 42 healthy children (mean age: 11.19 +/- 4.88 years). PanSegNet achieved DSC scores of 88% (controls), 81% (AP), and 80% (CP), with HD95 values of 3.98 mm (controls), 9.85 mm (AP), and 15.67 mm (CP). Inter-observer kappa was 0.86 (controls), 0.82 (pancreatitis), and intra-observer agreement reached 0.88 and 0.81. Strong agreement was observed between automated and manual volumes (R^2 = 0.85 in controls, 0.77 in diseased), demonstrating clinical reliability. Conclusion: PanSegNet represents the first validated deep learning solution for pancreatic MRI segmentation, achieving expert-level performance across healthy and diseased states. This tool, algorithm, along with our annotated dataset, are freely available on GitHub and OSF, advancing accessible, radiation-free pediatric pancreatic imaging and fostering collaborative research in this underserved domain.
• Abstract（参考訳）: 目的: 小児急性膵炎 (AP) , 慢性膵炎 (CP) , 健常者におけるMRIを用いた深層学習 (DL) アルゴリズムである PanSegNet の評価と評価を目的とした。 方法: ガジ大学(2015-2024)の2～19歳児から, 84個のMRIスキャン(1.5T/3T Siemens Aera/Verio)を回顧的に収集した。 このデータセットは、臨床基準に基づいて、健康な子供だけでなく、APまたはCPと診断された患者も含む。 小児科および一般放射線科医は、手動で膵を分類し、その後、小児科の放射線科医によって確認された。 PanSegNetの生成したセグメンテーションはDice similarity Coefficient (DSC) と95%のHausdorff distance (HD95) を用いて評価された。 コーエンのカッパは観察者合意を測定した。 結果:AP/CP42例(平均年齢:11.73歳/-3.9歳)と健常児42例(平均年齢:11.19歳/-4.88歳)の膵MRIT2Wスキャンが得られた。 PanSegNetのDSCスコアは88%(コントロール)、81%(AP)、80%(CP)でHD95値は3.98mm(コントロール)、9.85mm(AP)、15.67mm(CP)であった。 オブザーバ間カッパは0.86(対照)、膵炎0.82(膵炎)、およびオブザーバ内合意は0.88と0.81に達した。 自動ボリュームと手動ボリューム(コントロールではR^2=0.85、疾患では0.77)の間に強い一致がみられ,臨床的信頼性が示された。 結論: PanSegNetは、膵MRIのセグメンテーションのための最初の検証済みディープラーニングソリューションであり、健康状態と疾患のある状態にまたがって専門家レベルのパフォーマンスを達成する。 このアルゴリズムは、当社の注釈付きデータセットとともに、GitHubとOSFで自由に利用でき、アクセス可能で、放射線のない小児膵イメージングに到達し、この未保存領域における共同研究を促進する。

関連論文リスト

• TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood [1.1144337101638346]
  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。
  論文  参考訳（メタデータ） (2025-06-06T01:21:34Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• 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)
• Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
  膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。 そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。 T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
  論文  参考訳（メタデータ） (2024-05-20T20:37:27Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。