論文の概要: Deep Learning-Based Automated Segmentation of Uterine Myomas

• arxiv url: http://arxiv.org/abs/2508.11010v1
• Date: Thu, 14 Aug 2025 18:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.640562
• Title: Deep Learning-Based Automated Segmentation of Uterine Myomas
• Title（参考訳）: 深層学習による子宮筋腫の分離
• Authors: Tausifa Jan Saleem, Mohammad Yaqub,
• Abstract要約: 子宮筋線維腫は女性の生殖系において最も一般的な良性腫瘍である。 頻度が70%を超えると、女性の生殖健康に大きな負担がかかる。 深層学習アルゴリズムは、医用画像のセグメンテーションを著しく改善した。
• 参考スコア（独自算出の注目度）: 1.0819408603463427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uterine fibroids (myomas) are the most common benign tumors of the female reproductive system, particularly among women of childbearing age. With a prevalence exceeding 70%, they pose a significant burden on female reproductive health. Clinical symptoms such as abnormal uterine bleeding, infertility, pelvic pain, and pressure-related discomfort play a crucial role in guiding treatment decisions, which are largely influenced by the size, number, and anatomical location of the fibroids. Magnetic Resonance Imaging (MRI) is a non-invasive and highly accurate imaging modality commonly used by clinicians for the diagnosis of uterine fibroids. Segmenting uterine fibroids requires a precise assessment of both the uterus and fibroids on MRI scans, including measurements of volume, shape, and spatial location. However, this process is labor intensive and time consuming and subjected to variability due to intra- and inter-expert differences at both pre- and post-treatment stages. As a result, there is a critical need for an accurate and automated segmentation method for uterine fibroids. In recent years, deep learning algorithms have shown re-markable improvements in medical image segmentation, outperforming traditional methods. These approaches offer the potential for fully automated segmentation. Several studies have explored the use of deep learning models to achieve automated segmentation of uterine fibroids. However, most of the previous work has been conducted using private datasets, which poses challenges for validation and comparison between studies. In this study, we leverage the publicly available Uterine Myoma MRI Dataset (UMD) to establish a baseline for automated segmentation of uterine fibroids, enabling standardized evaluation and facilitating future research in this domain.
• Abstract（参考訳）: 子宮線維腫(みょうま、英: Uterine fibroid、英:myomas)は、特に育児期の女性において、女性の生殖系において最も一般的な良性腫瘍である。 頻度が70%を超えると、女性の生殖健康に大きな負担がかかる。 異常な子宮出血、不妊症、骨盤痛、圧関連不快感などの臨床症状は、フィブロイドのサイズ、数、解剖学的位置に大きく影響される治療決定を導く上で重要な役割を担っている。 MRI(Magnetic Resonance Imaging)は、子宮線維腫の診断に用いられる非侵襲的かつ高精度な画像モダリティである。 子宮フィブロイドの分離は、MRIスキャンで子宮とフィブロイドの両方の正確な評価を必要とし、体積、形状、空間的位置の測定を含む。 しかし、このプロセスは労働集約的で時間を要するため、前処理段階と後処理段階の両方において、試験内および試験間の違いにより変動する。 その結果、子宮線維化の正確かつ自動化されたセグメンテーション法が不可欠である。 近年, 深層学習アルゴリズムは, 医用画像のセグメンテーションを改良し, 従来の手法を上回っている。 これらのアプローチは、完全に自動化されたセグメンテーションの可能性を秘めている。 いくつかの研究は、子宮線維化の自動セグメンテーションを実現するためのディープラーニングモデルの使用について研究している。 しかし、以前の研究のほとんどはプライベートデータセットを使用して行われており、これは研究間の検証と比較の課題を提起している。 本研究では,尿中ミオマMRIデータセット(UMD)を活用し,尿中フィブロイドの自動セグメンテーションのためのベースラインを構築し,標準化された評価と今後の研究の促進を図る。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [55.64033992736822]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using mpMRI Segmentation and Classification [0.0]
  前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。 深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。 本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
  論文  参考訳（メタデータ） (2023-10-09T03:00:15Z)
• Distilling Missing Modality Knowledge from Ultrasound for Endometriosis Diagnosis with Magnetic Resonance Images [18.191192167065555]
  経血管性婦人科的超音波(TVUS)スキャンとMRI(MRI)を用いて,Douglas (POD) 除去のポーチを診断できる TVUSとMRIは相補的な非侵襲的子宮内膜症の診断技術であるが、通常、患者は両方のモダリティを用いてスキャンされない。 本稿では,MRIによるPOD消去検出を改善するための知識蒸留訓練アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-05T03:08:38Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Anatomical and Diagnostic Bayesian Segmentation in Prostate MRI $-$Should Different Clinical Objectives Mandate Different Loss Functions? [0.3149883354098941]
  前立腺MRIにおける解剖・悪性度のボクセルレベルの分類は, 最適な成績を得るために異なる損失関数を必要とする。 ProstateXデータセットを用いて,200件の患者試験において,各タスクの分布,領域,境界に基づく損失関数について検討した。
  論文  参考訳（メタデータ） (2021-10-25T12:44:52Z)
• Multimodal Breast Lesion Classification Using Cross-Attention Deep Networks [0.08635315042809139]
  ほとんどのコンピュータ支援システムは乳腺病変を分類するためにマンモグラム機能のみに依存している。 本稿では, マンモグラムと分類学的臨床変数を組み合わせるために, 特徴連結, 交差注意, 共同注意に基づく複数のマルチモーダルディープネットワークについて検討する。
  論文  参考訳（メタデータ） (2021-08-21T23:01:31Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• 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)
• 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)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)

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。