論文の概要: Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection

• arxiv url: http://arxiv.org/abs/2507.00903v1
• Date: Tue, 01 Jul 2025 16:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.722344
• Title: Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection
• Title（参考訳）: 深層学習に基づくT1およびT2心磁図の自動疾患検出のためのセグメンテーション
• Authors: Andreea Bianca Popescu, Andreas Seitz, Heiko Mahrholdt, Jens Wetzl, Athira Jacob, Lucian Mihai Itu, Constantin Suciu, Teodora Chitiboi,
• Abstract要約: 組織マッピングは、定量的な心臓組織評価を可能にするが、手動のデライン化において、オブザーバ間の変動によって制限される。 平均緩和値と単一カットオフに依存する従来のアプローチは、複雑さを過度に単純化する可能性がある。 本研究では,機械学習がサーバ間変動に匹敵するセグメンテーション精度を達成できるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 0.2593137041747032
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objectives Parametric tissue mapping enables quantitative cardiac tissue characterization but is limited by inter-observer variability during manual delineation. Traditional approaches relying on average relaxation values and single cutoffs may oversimplify myocardial complexity. This study evaluates whether deep learning (DL) can achieve segmentation accuracy comparable to inter-observer variability, explores the utility of statistical features beyond mean T1/T2 values, and assesses whether machine learning (ML) combining multiple features enhances disease detection. Materials & Methods T1 and T2 maps were manually segmented. The test subset was independently annotated by two observers, and inter-observer variability was assessed. A DL model was trained to segment left ventricle blood pool and myocardium. Average (A), lower quartile (LQ), median (M), and upper quartile (UQ) were computed for the myocardial pixels and employed in classification by applying cutoffs or in ML. Dice similarity coefficient (DICE) and mean absolute percentage error evaluated segmentation performance. Bland-Altman plots assessed inter-user and model-observer agreement. Receiver operating characteristic analysis determined optimal cutoffs. Pearson correlation compared features from model and manual segmentations. F1-score, precision, and recall evaluated classification performance. Wilcoxon test assessed differences between classification methods, with p < 0.05 considered statistically significant. Results 144 subjects were split into training (100), validation (15) and evaluation (29) subsets. Segmentation model achieved a DICE of 85.4%, surpassing inter-observer agreement. Random forest applied to all features increased F1-score (92.7%, p < 0.001). Conclusion DL facilitates segmentation of T1/ T2 maps. Combining multiple features with ML improves disease detection.
• Abstract（参考訳）: 目的 パラメトリック組織マッピングは、定量的な心臓組織評価を可能にするが、手動のデライン化の際には、オブザーバ間の変動によって制限される。 従来のアプローチでは、平均緩和値と単一遮断が心筋の複雑さを単純化する可能性がある。 本研究では、ディープラーニング(DL)が、サーバ間変動に匹敵するセグメンテーション精度を達成できるかどうかを評価し、平均T1/T2値を超える統計的特徴の有用性を探求し、複数の特徴を組み合わせた機械学習(ML)が疾患検出を促進するかどうかを評価する。 Materials & Methods T1とT2マップは手動で分割された。 テストサブセットは2人のオブザーバによって独立して注釈付けされ、サーバ間の変動が評価された。 左室血液プールと心筋を分画するDLモデルを訓練した。 平均 (A), 平均 (LQ), 中等度 (M), 上等度 (UQ) は心筋ピクセルに対して計算し, カットオフやMLで分類した。 DICE(Dice similarity coefficient)と平均絶対パーセンテージ誤差評価セグメンテーション性能。 Bland-Altmanプロットはユーザ間およびモデル-サーバ間の合意を評価した。 受信機動作特性解析により最適カットオフが決定された。 ピアソン相関はモデルと手動のセグメンテーションの特徴を比較した。 F1スコア,精度,再現性を評価した。 ウィルコクソン試験は分類法の違いを評価し、p < 0.05 は統計的に有意であると考えられた。 その結果,144名の被験者を訓練(100),検証(15),評価(29)サブセットに分けた。 セグメンテーションモデルは85.4%のDICEを達成し、サーバ間契約を上回った。 全ての特徴に適用されるランダム林はF1スコア(92.7%、p < 0.001)を増加させた。 結論DLはT1/T2マップのセグメンテーションを促進する。 複数の特徴とMLを組み合わせることで、疾患検出が改善される。

関連論文リスト

• Exploiting XAI maps to improve MS lesion segmentation and detection in MRI [1.024819169163989]
  本研究は, 病変特異的唾液度マップの特性を利用して, セグメンテーションと検出スコアを洗練させる方法について検討する。 第1組の地図から抽出した93個の放射能特性をロジスティック回帰モデルの訓練に用いた。 テストセットでは,初期モデルと比較してF1スコアとPPVが大きなマージンで改善された。
  論文  参考訳（メタデータ） (2024-08-21T07:49:01Z)
• 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)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [35.34932609930401]
  本研究は,バイオメディカルイメージセグメンテーションのための計算効率の良い生成ツールとしてのPULASki法を提案する。 専門家のアノテーションでは、小さなデータセットであっても、変数をキャプチャする。 また,3次元パッチと従来の2次元スライスを用いた複雑なジオメトリーの計算可能セグメンテーションについて比較検討した。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Adaptive Contrastive Learning with Dynamic Correlation for Multi-Phase Organ Segmentation [25.171694372205774]
  臓器レベルでの各ミニバッチにおけるサンプル間の類似・異種コントラスト関係に適応するデータ駆動型コントラスト損失関数を提案する。 非コントラストCTデータセットとMICCAI 2015 BTCV ChallengeのコントラストCTデータセットを併用した多臓器セグメンテーションの検討を行った。
  論文  参考訳（メタデータ） (2022-10-16T22:38:30Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• 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)
• Deep Learning Based Detection and Localization of Intracranial Aneurysms in Computed Tomography Angiography [5.973882600944421]
  初期動脈瘤検出のための3D領域提案ネットワークと偽陽性縮小のための3D DenseNetという2段階モデルが実装された。 本モデルでは,0.25FPPV,最高F-1スコアと比較すると,統計的に高い精度,感度,特異性を示した。
  論文  参考訳（メタデータ） (2020-05-22T10:49:23Z)

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。