論文の概要: Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI

• arxiv url: http://arxiv.org/abs/2506.19590v1
• Date: Tue, 24 Jun 2025 12:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.630838
• Title: Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI
• Title（参考訳）: 解剖学から学ぶ:全身MRIにおける転移性骨疾患の分節化のためのSAP( Supervised Anatomical Pretraining)
• Authors: Joris Wuts, Jakub Ceranka, Nicolas Michoux, Frédéric Lecouvet, Jef Vandemeulebroucke,
• Abstract要約: 本稿では,解剖ラベルの限られたデータセットから学習するSAP(Supervised Anatomical Pretraining)法を提案する。 SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。 1ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。
• 参考スコア（独自算出の注目度）: 0.7330217643497285
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The segmentation of metastatic bone disease (MBD) in whole-body MRI (WB-MRI) is a challenging problem. Due to varying appearances and anatomical locations of lesions, ambiguous boundaries, and severe class imbalance, obtaining reliable segmentations requires large, well-annotated datasets capturing lesion variability. Generating such datasets requires substantial time and expertise, and is prone to error. While self-supervised learning (SSL) can leverage large unlabeled datasets, learned generic representations often fail to capture the nuanced features needed for accurate lesion detection. In this work, we propose a Supervised Anatomical Pretraining (SAP) method that learns from a limited dataset of anatomical labels. First, an MRI-based skeletal segmentation model is developed and trained on WB-MRI scans from healthy individuals for high-quality skeletal delineation. Then, we compare its downstream efficacy in segmenting MBD on a cohort of 44 patients with metastatic prostate cancer, against both a baseline random initialization and a state-of-the-art SSL method. SAP significantly outperforms both the baseline and SSL-pretrained models, achieving a normalized surface Dice of 0.76 and a Dice coefficient of 0.64. The method achieved a lesion detection F2 score of 0.44, improving on 0.24 (baseline) and 0.31 (SSL). When considering only clinically relevant lesions larger than 1~ml, SAP achieves a detection sensitivity of 100% in 28 out of 32 patients. Learning bone morphology from anatomy yields an effective and domain-relevant inductive bias that can be leveraged for the downstream segmentation task of bone lesions. All code and models are made publicly available.
• Abstract（参考訳）: 全身MRI(WB-MRI)における転移性骨疾患(MBD)の分節化は難しい問題である。 病変の出現や解剖学的位置、あいまいな境界線、重度のクラス不均衡のため、信頼性の高いセグメンテーションを得るには、病変の多様性を捉えた大きな、十分に注釈されたデータセットが必要である。 このようなデータセットを生成するには、かなりの時間と専門知識が必要です。 自己教師付き学習(SSL)は、大規模なラベル付きデータセットを活用することができるが、学習された汎用表現は、正確な病変検出に必要なニュアンスな特徴をキャプチャできないことが多い。 本研究では,解剖学的ラベルの限られたデータセットから学習するSupervised Anatomical Pretraining (SAP)法を提案する。 まず, 健常者からのWB-MRIスキャンを用いて, 高品質な骨格記述のためのMRIに基づく骨格分割モデルを構築し, 訓練した。 そして, 転移性前立腺癌44例のコホートにおけるMBDの分節化効果について, ベースラインランダム初期化法と最先端SSL法との比較を行った。 SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。 この方法は病変検出F2スコアの0.44を達成し、0.24(ベースライン)と0.31(SSL)を改善した。 1~ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。 解剖学から骨形態学を学ぶことは、骨病変の下流のセグメンテーションタスクに活用できる効果的な、ドメイン関連誘導バイアスをもたらす。 すべてのコードとモデルは公開されています。

関連論文リスト

• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  全体拡散強調MRI(WB-DWI)のADC値とTotal Diffusion Volume(TDV)が癌画像バイオマーカーとして認識されている。 最初のステップとして, 骨格, 隣接する内臓器(肝, 脾臓, 膀胱, 腎臓) および脊髄の高速かつ再現可能な確率マップを生成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。 SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• Learning-based Bone Quality Classification Method for Spinal Metastasis [36.59899006688448]
  脊椎転移の早期発見は、正確なステージングと最適な治療に重要である。 本稿では,CT画像に基づく脊椎転移の骨質自動分類法について検討する。
  論文  参考訳（メタデータ） (2024-02-14T02:53:51Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• 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)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。