Fugu-MT 論文翻訳(概要): Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections

論文の概要: Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections

arxiv url: http://arxiv.org/abs/2506.22222v1
Date: Fri, 27 Jun 2025 13:38:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-30 21:12:23.216419
Title: Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections
Title（参考訳）: B型大動脈解離の自動解離のための高度な深層学習技術
Authors: Hao Xu, Ruth Lim, Brian E. Chapman,
Abstract要約: B型大動脈解離切除のための深層学習パイプラインを4本開発した。 Dice Coefficients for TL, 0.88 $pm$ 0.18, 0.47 $pm$ 0.25であった。
参考スコア（独自算出の注目度）: 4.545298205355719
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: Aortic dissections are life-threatening cardiovascular conditions requiring accurate segmentation of true lumen (TL), false lumen (FL), and false lumen thrombosis (FLT) from CTA images for effective management. Manual segmentation is time-consuming and variable, necessitating automated solutions. Materials and Methods: We developed four deep learning-based pipelines for Type B aortic dissection segmentation: a single-step model, a sequential model, a sequential multi-task model, and an ensemble model, utilizing 3D U-Net and Swin-UnetR architectures. A dataset of 100 retrospective CTA images was split into training (n=80), validation (n=10), and testing (n=10). Performance was assessed using the Dice Coefficient and Hausdorff Distance. Results: Our approach achieved superior segmentation accuracy, with Dice Coefficients of 0.91 $\pm$ 0.07 for TL, 0.88 $\pm$ 0.18 for FL, and 0.47 $\pm$ 0.25 for FLT, outperforming Yao et al. (1), who reported 0.78 $\pm$ 0.20, 0.68 $\pm$ 0.18, and 0.25 $\pm$ 0.31, respectively. Conclusion: The proposed pipelines provide accurate segmentation of TBAD features, enabling derivation of morphological parameters for surveillance and treatment planning
Abstract（参考訳）: 目的: 大動脈解離は, CTA画像からの真腔(TL), 偽腔(FL), 偽腔血栓症(FLT)の正確な分画を必要とする心血管疾患である。手動セグメンテーションは時間がかかり、可変であり、自動化されたソリューションを必要とする。材料と方法: 単段階モデル, 逐次モデル, 連続マルチタスクモデル, アンサンブルモデルという, B型大動脈解離セグメンテーションのためのディープラーニングに基づく4つのパイプラインを開発し, 3次元U-NetおよびSwin-UnetRアーキテクチャを用いた。 100個の振り返りCTA画像のデータセットをトレーニング(n=80),検証(n=10),テスト(n=10)に分割した。性能はDice CoefficientとHausdorff Distanceを用いて評価した。結果: Dice Coefficients for TL, 0.88 $\pm$ 0.18, 0.47 $\pm$ 0.25, Yao et al (1) は 0.78 $\pm$ 0.20, 0.68 $\pm$ 0.18, 0.25 $\pm$ 0.31 をそれぞれ上回った。結論:提案したパイプラインは,TBAD特徴の正確なセグメンテーションを提供し,監視および治療計画のための形態パラメータの導出を可能にする。

関連論文リスト

Dataset Distillation with Neural Characteristic Function: A Minmax Perspective [39.77640775591437]
minmax最適化問題としてデータセット蒸留を再構成し、ニューラル特徴関数離散性(NCFD)を導入する。 NCFDは分布差を測定するための包括的で理論的に基礎付けられた計量である。提案手法は,低解像度および高解像度のデータセット上での最先端手法よりも高い性能向上を実現する。
論文参考訳（メタデータ） (2025-02-28T02:14:55Z)
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)
Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
論文参考訳（メタデータ） (2024-09-13T20:12:29Z)
Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。 2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文参考訳（メタデータ） (2024-07-14T21:29:28Z)
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)
Foundation Models for Structural Health Monitoring [17.37816294594306]
本稿では,トランスフォーマーニューラルネットワークをMasked Auto-Encoderアーキテクチャを用いて,構造的健康モニタリングのための基礎モデルとして初めて利用することを提案する。自己教師付き事前学習を通じて、複数の大規模データセットから一般化可能な表現を学習する能力を実証する。本研究は,3つの運用用インダクトのデータを用いた基礎モデルの有効性を示す。
論文参考訳（メタデータ） (2024-04-03T13:32:44Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
A Deep Learning-Based Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis From 3D Echocardiography [0.3387808070669509]
開発したアプローチは、MVアンラスとリーフレットのマルチクラスセグメンテーションのためのU-Netアーキテクチャを備えた3次元マルチデコーダ残差畳み込みニューラルネットワーク(CNN)に依存している。プロセス全体は最小限のユーザインタラクションを必要とし、約15秒を要する。
論文参考訳（メタデータ） (2023-02-21T12:48:44Z)
Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文参考訳（メタデータ） (2022-11-16T21:55:05Z)
Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文参考訳（メタデータ） (2022-09-24T15:04:23Z)
Using spatial-temporal ensembles of convolutional neural networks for lumen segmentation in ureteroscopy [11.457020223521605]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく自動手法を提案する。提案手法は4つの並列CNNのアンサンブルに基づいて,単一および複数フレーム情報を同時に処理する。
論文参考訳（メタデータ） (2021-04-05T16:24:32Z)

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。