論文の概要: A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT

• arxiv url: http://arxiv.org/abs/2507.15193v1
• Date: Mon, 21 Jul 2025 02:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.231988
• Title: A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT
• Title（参考訳）: 腹部CTにおける深層学習による褐色細胞腫の鑑別に関する解剖学的検討
• Authors: Tanjin Taher Toma, Tejas Sudharshan Mathai, Bikash Santra, Pritam Mukherjee, Jianfei Liu, Wesley Jong, Darwish Alabyad, Vivek Batheja, Abhishek Jha, Mayank Patel, Darko Pucar, Jayadira del Rivero, Karel Pacak, Ronald M. Summers,
• Abstract要約: 本研究は,深層学習に基づくPCCセグメンテーションを改善する構成を特定するために,解剖学的先行を体系的に評価する。 フェオクロモサイトーマの正確な3次元セグメンテーションのための11のアノテーション戦略を評価するためにnnU-Netフレームワークを使用した。
• 参考スコア（独自算出の注目度）: 3.2784582049471505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of pheochromocytoma (PCC) in abdominal CT scans is essential for tumor burden estimation, prognosis, and treatment planning. It may also help infer genetic clusters, reducing reliance on expensive testing. This study systematically evaluates anatomical priors to identify configurations that improve deep learning-based PCC segmentation. We employed the nnU-Net framework to evaluate eleven annotation strategies for accurate 3D segmentation of pheochromocytoma, introducing a set of novel multi-class schemes based on organ-specific anatomical priors. These priors were derived from adjacent organs commonly surrounding adrenal tumors (e.g., liver, spleen, kidney, aorta, adrenal gland, and pancreas), and were compared against a broad body-region prior used in previous work. The framework was trained and tested on 105 contrast-enhanced CT scans from 91 patients at the NIH Clinical Center. Performance was measured using Dice Similarity Coefficient (DSC), Normalized Surface Distance (NSD), and instance-wise F1 score. Among all strategies, the Tumor + Kidney + Aorta (TKA) annotation achieved the highest segmentation accuracy, significantly outperforming the previously used Tumor + Body (TB) annotation across DSC (p = 0.0097), NSD (p = 0.0110), and F1 score (25.84% improvement at an IoU threshold of 0.5), measured on a 70-30 train-test split. The TKA model also showed superior tumor burden quantification (R^2 = 0.968) and strong segmentation across all genetic subtypes. In five-fold cross-validation, TKA consistently outperformed TB across IoU thresholds (0.1 to 0.5), reinforcing its robustness and generalizability. These findings highlight the value of incorporating relevant anatomical context in deep learning models to achieve precise PCC segmentation, supporting clinical assessment and longitudinal monitoring.
• Abstract（参考訳）: 腹部CT検査における褐色細胞腫 (PCC) の正確な分画は, 腫瘍の負担評価, 予後, 治療計画に不可欠である。 また、遺伝子クラスターの推測にも役立ち、高価な検査への依存を減らすことができる。 本研究は,深層学習に基づくPCCセグメンテーションを改善するための構成を特定するために,解剖学的先行を体系的に評価する。 我々は,nU-Netフレームワークを用いて,臓器特異的な解剖学的前駆体に基づく新しいマルチクラススキームを導入し,褐色細胞腫の正確な3Dセグメンテーションのための11のアノテーション戦略を評価した。 これらの先行は, 副腎腫瘍(肝臓, 脾臓, 腎臓, 大動脈, 副腎, 膵臓など)を包含する隣接臓器から発生し, 以前の研究で使用されていた広範囲の組織領域と比較した。 NIHクリニカルセンターで91例の造影CTで105例の検査を行った。 Dice similarity Coefficient (DSC), Normalized Surface Distance (NSD), instance-wise F1 score。 すべての戦略の中で、腫瘍+キドニー+オータ(TKA)アノテーションは最も高いセグメンテーション精度を達成し、70-30の列車試験で測定されたDSC(p = 0.0097)、NSD(p = 0.0110)、F1スコア(0.5のIoU閾値で25.84%改善)をはるかに上回った。 また,TKAモデルでは腫瘍負担量(R^2 = 0.968)が優れ,全ての遺伝子サブタイプに強いセグメンテーションが認められた。 5倍のクロスバリデーションでは、TKAは一貫してIoU閾値(0.1から0.5)でTBを上回っ、その堅牢性と一般化性を高めた。 これらの知見は,PCCセグメンテーションを正確に達成し,臨床評価と経時的モニタリングを支援するために,深層学習モデルに関連する解剖学的文脈を取り入れることの価値を強調した。

関連論文リスト

• Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers [3.704003490598663]
  放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。 肺がんおよび乳癌患者の心下組織を分断するために, プレトレーニングしたトランスフォーマーをハイブリッドトランスフォーマー畳み込みネットワーク (HTN) に改良した。 HTNは, 画像, 患者特性の異なるCTからの心筋部分構造を, 確固たる精度(幾何学的, 線量的測定値)で示していた。
  論文  参考訳（メタデータ） (2025-05-16T04:48:33Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy [0.0]
  本研究の目的は, 小児上腹部腫瘍におけるOAR (delineating organs-at-risk) のCTによる多臓器分割モデルを構築することであった。 Dice similarity Coefficient (DSC) 95% Hausdorff Distance (HD95) および平均表面距離 (MSD) を用いて評価した。 Model-PMC-UMCUは9つのOARのうち、0.95以上であり、脾臓と心臓は0.90から0.95の範囲であった。 胃と膵のDSC値は0.90未満であった。
  論文  参考訳（メタデータ） (2024-11-01T13:54:31Z)
• 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)
• 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)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
  深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。 2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
  論文  参考訳（メタデータ） (2021-12-04T02:23:18Z)
• Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography [0.0]
  早期発見は膵管腺癌(PDAC)の予後を改善する 現在のモデルでは、小さな(2cm)病変の特定に失敗している。 深層学習モデルを用いてPDAC検出のための自動フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-11-30T13:59:46Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• 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)

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。