論文の概要: A Segmentation Framework for Accurate Diagnosis of Amyloid Positivity without Structural Images

• arxiv url: http://arxiv.org/abs/2507.22336v1
• Date: Wed, 30 Jul 2025 02:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.928628
• Title: A Segmentation Framework for Accurate Diagnosis of Amyloid Positivity without Structural Images
• Title（参考訳）: 構造画像のないアミロイド陽性の正確な診断のためのセグメンテーションフレームワーク
• Authors: Penghan Zhu, Shurui Mei, Shushan Chen, Xiaobo Chu, Shanbo He, Ziyi Liu,
• Abstract要約: 本研究では,ポジトロン・エミッション・トモグラフィ(PET)画像のみを用いて,脳領域の自動セグメンテーションのためのディープラーニングベースのフレームワークを提案する。 4層の深さを持つ3次元U-Netアーキテクチャを200個のF18-ベタピルアミロイドPETスキャンでトレーニングし、検証した。 このモデルでは,アミロイドの定量値に基づいて,アミロイドの比重0.98の分類精度を達成した。
• 参考スコア（独自算出の注目度）: 9.423899158217232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a deep learning-based framework for automated segmentation of brain regions and classification of amyloid positivity using positron emission tomography (PET) images alone, without the need for structural MRI or CT. A 3D U-Net architecture with four layers of depth was trained and validated on a dataset of 200 F18-florbetapir amyloid-PET scans, with an 130/20/50 train/validation/test split. Segmentation performance was evaluated using Dice similarity coefficients across 30 brain regions, with scores ranging from 0.45 to 0.88, demonstrating high anatomical accuracy, particularly in subcortical structures. Quantitative fidelity of PET uptake within clinically relevant regions. Precuneus, prefrontal cortex, gyrus rectus, and lateral temporal cortex was assessed using normalized root mean square error, achieving values as low as 0.0011. Furthermore, the model achieved a classification accuracy of 0.98 for amyloid positivity based on regional uptake quantification, with an area under the ROC curve (AUC) of 0.99. These results highlight the model's potential for integration into PET only diagnostic pipelines, particularly in settings where structural imaging is not available. This approach reduces dependence on coregistration and manual delineation, enabling scalable, reliable, and reproducible analysis in clinical and research applications. Future work will focus on clinical validation and extension to diverse PET tracers including C11 PiB and other F18 labeled compounds.
• Abstract（参考訳）: 本研究では, ポジトロンエミッショントモグラフィ(PET)画像のみを用いて, 構造MRIやCTを必要とせずに, 脳領域の自動分割とアミロイド陽性の分類を行うためのディープラーニングベースのフレームワークを提案する。 深度4層の3次元U-Netアーキテクチャをトレーニングし,200F18-florbetapirアミロイドPETスキャンを用いて,130/20/50トレイン/バリデーション/テストスプリットで検証した。 セグメンテーション性能は30の脳領域にわたるDice類似度係数を用いて評価され、スコアは0.45から0.88の範囲で、特に皮質下構造において高い解剖学的精度を示した。 臨床領域におけるPET摂取量の定量化 前頭前野,前頭前野,回腸直腸,側頭側皮質を正規化根平均二乗誤差を用いて評価し,0.0011。 さらに, このモデルでは, ROC曲線(AUC)の面積が0.99で, アミロイド正の分類精度が0.98に達した。 これらの結果は、PETのみの診断パイプラインへの統合の可能性、特に構造イメージングが利用できない環境でのモデルの可能性を浮き彫りにしている。 このアプローチは、コアグリゲーションと手動記述への依存を減らし、臨床および研究応用におけるスケーラブルで信頼性があり再現可能な分析を可能にする。 今後の研究は、C11 PiBおよび他のF18標識化合物を含む多様なPETトレーサに対する臨床検証と拡張に焦点を当てる予定である。

関連論文リスト

• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• LymphAtlas- A Unified Multimodal Lymphoma Imaging Repository Delivering AI-Enhanced Diagnostic Insight [3.746123328463508]
  本研究はPET代謝情報をCT解剖学的構造と統合し,PET/CT検査に基づく悪性リンパ腫の3次元マルチモーダルセグメンテーションデータセットを構築した。 2011年3月から2024年5月までの間に得られた483件の検査データセットを, 220件の患者を対象に遡及的に収集した。
  論文  参考訳（メタデータ） (2025-04-29T06:10:12Z)
• TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for Kidney Segmentation and Registration Research [42.90853857929316]
  腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。 ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T11:09:50Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• 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)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• 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)
• A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images [5.731199807877257]
  我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。 提案手法の有効性を評価する実験を行った。
  論文  参考訳（メタデータ） (2020-06-09T21:16:47Z)

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。