Fugu-MT 論文翻訳(概要): BreastSegNet: Multi-label Segmentation of Breast MRI

論文の概要: BreastSegNet: Multi-label Segmentation of Breast MRI

arxiv url: http://arxiv.org/abs/2507.13604v1
Date: Fri, 18 Jul 2025 02:16:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 20:43:26.166528
Title: BreastSegNet: Multi-label Segmentation of Breast MRI
Title（参考訳）: BreastSegNet: 乳房MRIのマルチラベル分割
Authors: Qihang Li, Jichen Yang, Yaqian Chen, Yuwen Chen, Hanxue Gu, Lars J. Grimm, Maciej A. Mazurowski,
Abstract要約: BreastSegNetは乳房MRIのためのマルチラベルセグメンテーションアルゴリズムである。線維腺組織(FGT)、血管、筋肉、骨、病変、リンパ節、心臓、肝臓、インプラントの9つの解剖学的ラベルを含んでいる。 nnU-Net ResEncMは全レーベルの平均Diceスコアが0.694である。
参考スコア（独自算出の注目度）: 12.138053457221002
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast MRI provides high-resolution imaging critical for breast cancer screening and preoperative staging. However, existing segmentation methods for breast MRI remain limited in scope, often focusing on only a few anatomical structures, such as fibroglandular tissue or tumors, and do not cover the full range of tissues seen in scans. This narrows their utility for quantitative analysis. In this study, we present BreastSegNet, a multi-label segmentation algorithm for breast MRI that covers nine anatomical labels: fibroglandular tissue (FGT), vessel, muscle, bone, lesion, lymph node, heart, liver, and implant. We manually annotated a large set of 1123 MRI slices capturing these structures with detailed review and correction from an expert radiologist. Additionally, we benchmark nine segmentation models, including U-Net, SwinUNet, UNet++, SAM, MedSAM, and nnU-Net with multiple ResNet-based encoders. Among them, nnU-Net ResEncM achieves the highest average Dice scores of 0.694 across all labels. It performs especially well on heart, liver, muscle, FGT, and bone, with Dice scores exceeding 0.73, and approaching 0.90 for heart and liver. All model code and weights are publicly available, and we plan to release the data at a later date.
Abstract（参考訳）: 乳腺MRIは乳癌検診と術前のステージングに重要な高分解能画像を提供する。しかし、既存の乳房MRIのセグメンテーション法は範囲に限られており、しばしば線維腺組織や腫瘍のような少数の解剖学的構造のみに焦点を当てており、スキャンで見られる全ての組織をカバーしていない。これにより、定量分析の用途が狭まる。本研究では,胸部MRIにおけるFGT, 血管, 筋肉, 骨, 病変, リンパ節, 心臓, 肝臓, インプラントの9つの解剖学的ラベルをカバーするマルチラベルセグメンテーションアルゴリズムであるBreastSegNetを提案する。 1123個のMRIスライスを手動でアノテートした。さらに、U-Net、SwinUNet、UNet++、SAM、MedSAM、nnU-Netの9つのセグメンテーションモデルを複数のResNetベースのエンコーダでベンチマークする。このうち、nnU-Net ResEncMは全レーベルの平均Diceスコアが0.694である。特に心臓、肝臓、筋肉、FGT、骨でよく働き、Diceのスコアは0.73を超え、心臓と肝臓では0.90に近づいた。すべてのモデルコードと重み付けが公開されています。

関連論文リスト

Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release [1.738379704680519]
さまざまな被験者を対象に,ボリュームセグメンテーションラベルを用いた91個のMRI画像を収集した。我々は3つの2次元U-NetモデルからなるMultiAxial Networkを開発した。非脳構造を含む61の臨床MRIとトレーニングラベルのデータセットとともに、頭部MRIセグメントの最先端モデルをリリースする。
論文参考訳（メタデータ） (2025-01-30T19:31:13Z)
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)
MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。 MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
論文参考訳（メタデータ） (2024-05-09T17:33:09Z)
MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文参考訳（メタデータ） (2023-09-16T02:41:53Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。 Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文参考訳（メタデータ） (2022-12-19T09:14:23Z)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文参考訳（メタデータ） (2020-09-27T16:42:59Z)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
Two-stage multi-scale breast mass segmentation for full mammogram analysis without user intervention [2.7490008316742096]
マンモグラフィーは乳がんの早期発見と診断に使用される主要な画像モダリティである。各種の乳腺異常のうち,乳腺癌では腫瘤が最も重要な臨床所見である。高分解能フルマンモグラムから正確な質量輪郭を提供する2段階のマルチスケールパイプラインを提案する。
論文参考訳（メタデータ） (2020-02-27T13:16:22Z)

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。