論文の概要: SegmentAnyMuscle: A universal muscle segmentation model across different locations in MRI

• arxiv url: http://arxiv.org/abs/2506.22467v1
• Date: Wed, 18 Jun 2025 16:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.363902
• Title: SegmentAnyMuscle: A universal muscle segmentation model across different locations in MRI
• Title（参考訳）: SegmentAnyMuscle:MRIの異なる部位にまたがる普遍的な筋分節モデル
• Abstract要約: 筋肉の量と品質は、健康的な結果の重要な予測因子としてますます認識されている。 本研究の目的は,MRIにおける筋分節モデルの開発である。 以上の結果から,MRIにおける筋のセグメンテーションのための完全自動深層学習アルゴリズムの有効性が示唆された。
• 参考スコア（独自算出の注目度）: 15.715532922231791
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The quantity and quality of muscles are increasingly recognized as important predictors of health outcomes. While MRI offers a valuable modality for such assessments, obtaining precise quantitative measurements of musculature remains challenging. This study aimed to develop a publicly available model for muscle segmentation in MRIs and demonstrate its applicability across various anatomical locations and imaging sequences. A total of 362 MRIs from 160 patients at a single tertiary center (Duke University Health System, 2016-2020) were included, with 316 MRIs from 114 patients used for model development. The model was tested on two separate sets: one with 28 MRIs representing common sequence types, achieving an average Dice Similarity Coefficient (DSC) of 88.45%, and another with 18 MRIs featuring less frequent sequences and abnormalities such as muscular atrophy, hardware, and significant noise, achieving 86.21% DSC. These results demonstrate the feasibility of a fully automated deep learning algorithm for segmenting muscles on MRI across diverse settings. The public release of this model enables consistent, reproducible research into the relationship between musculature and health.
• Abstract（参考訳）: 筋肉の量と品質は、健康的な結果の重要な予測因子としてますます認識されている。 このような評価にMRIは貴重なモダリティを提供するが、筋の正確な測定値を得ることは依然として困難である。 本研究の目的は、MRIにおける筋分節の公開モデルを構築し、様々な解剖学的位置と画像のシーケンスで適用可能であることを示すことである。 1つの第3次センター(Duke University Health System, 2016-2020)の160例のMRIは合計362例, モデル開発に使用した114例のMRIは316例であった。 モデルは2つの異なるセットでテストされ、1つは28MRI、もう1つは平均Dice similarity Coefficient (DSC) 88.45%、もう1つは18MRIで、頻度の低いシーケンスと筋萎縮、ハードウェア、大きなノイズなどの異常を特徴とし、86.21%のDSCを達成した。 これらの結果は,MRIの筋を様々な設定でセグメント化するための完全自動ディープラーニングアルゴリズムの実現可能性を示している。 このモデルの公式リリースは、筋肉と健康の関係について一貫した再現可能な研究を可能にする。

関連論文リスト

• MosaicMRI: A Diverse Dataset and Benchmark for Raw Musculoskeletal MRI [20.01253907654978]
  そこで本研究では,MSK MR を用いた機械学習手法のトレーニングと評価を行うための,完全サンプリング生筋骨格MR 計測装置であるMosaicMRIを紹介した。 モデルキャパシティとデータセットサイズの両方に関して,スケーリングの挙動について検討する。 興味深いことに、結合解剖学で訓練されたモデルは、低サンプル状態において解剖学固有のモデルよりも著しく優れている。
  論文  参考訳（メタデータ） (2026-04-13T17:36:01Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• Large-scale Multi-sequence Pretraining for Generalizable MRI Analysis in Versatile Clinical Applications [15.846703688846086]
  本研究では,大規模MultI-Sequence MRIを用いた基礎モデルであるPRISMを提案する。 本稿では,MRIの配列特異的な変化から解剖学的に不変な特徴を引き離す新しい事前訓練パラダイムを提案する。 PRISMは、非事前のモデルと既存の基礎モデルの両方を一貫して上回った。
  論文  参考訳（メタデータ） (2025-08-10T03:31:46Z)
• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
  ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。 これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。 この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
  論文  参考訳（メタデータ） (2025-07-25T11:12:21Z)
• MRI-CORE: A Foundation Model for Magnetic Resonance Imaging [10.722046937558627]
  我々は、MRI-COREを紹介した。MRI-COREは、メインの18箇所で110,000以上のMRIボリュームから600万スライス以上を使用して、事前訓練された視覚基盤モデルである。 MRIにおける5つの多様なオブジェクトセグメンテーションタスクの実験により、MRI-COREはラベル付きデータ可用性に制限のある現実的なシナリオにおけるセグメンテーション性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2025-06-13T19:26:56Z)
• SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses [0.0]
  本研究はScopeMRIを紹介した。ScoopeMRIは、肩の病理のための、初めて公開された、専門家による注釈付きデータセットである。 標準MRIとMRAの両方でバンクアート病変を検出するためのディープラーニング(DL)フレームワークを提供する。 AUCは0.91と0.93で、感度は83%、感度は94%、特異性は91%、MRAは86%であった。
  論文  参考訳（メタデータ） (2025-04-29T04:02:44Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• DCRA-Net: Attention-Enabled Reconstruction Model for Dynamic Fetal Cardiac MRI [10.530304369312496]
  動的心再建注意ネットワーク (DCRA-Net) は空間的・時間的領域における注意機構を利用した新しい深層学習モデルである。 DCRA-Netは,42例の胎児と153例の成人の心MRIで再検討した。 格子アンダーサンプリング、データの一貫性、時間周波数表現を使用する場合、最高性能が達成された。
  論文  参考訳（メタデータ） (2024-12-19T19:17:26Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
  グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。 MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。 本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:58:08Z)
• VIBESegmentator: Full Body MRI Segmentation for the NAKO and UK Biobank [13.370382898117226]
  本稿では,MRIおよびCT画像のためのディープラーニングに基づく胴分割モデルを提案する。 我々のモデルは、Amos上の最良のモデルと0,81+-0.14のDiceで結びついているが、視野は広く、さらに多くの構造を含んでいる。
  論文  参考訳（メタデータ） (2024-05-31T18:32:46Z)
• 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)
• SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI [13.912230325828943]
  本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。 提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。 1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
  論文  参考訳（メタデータ） (2024-01-23T18:59:25Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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。