論文の概要: Automated surgical planning with nnU-Net: delineation of the anatomy in hepatobiliary phase MRI
- arxiv url: http://arxiv.org/abs/2508.14133v1
- Date: Tue, 19 Aug 2025 11:58:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 16:52:41.215916
- Title: Automated surgical planning with nnU-Net: delineation of the anatomy in hepatobiliary phase MRI
- Title（参考訳）: nnU-Netを用いた自動手術計画法 : 肝胆道MRIにおける解剖学的検討
- Authors: Karin A. Olthof, Matteo Fusagli, Bianca Güttner, Tiziano Natali, Bram Westerink, Stefanie Speidel, Theo J. M. Ruers, Koert F. D. Kuhlmann, Andrey Zhylka,
- Abstract要約: 本研究の目的は,肝解剖学における深層学習に基づく自動セグメンテーション手法の開発と評価である。
深層学習ネットワーク (nU-Net v1) は, 細い構造と地形保存に着目した72例を対象に訓練を行った。
- 参考スコア（独自算出の注目度）: 0.8218416576896596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: The aim of this study was to develop and evaluate a deep learning-based automated segmentation method for hepatic anatomy (i.e., parenchyma, tumors, portal vein, hepatic vein and biliary tree) from the hepatobiliary phase of gadoxetic acid-enhanced MRI. This method should ease the clinical workflow of preoperative planning. Methods: Manual segmentation was performed on hepatobiliary phase MRI scans from 90 consecutive patients who underwent liver surgery between January 2020 and October 2023. A deep learning network (nnU-Net v1) was trained on 72 patients with an extra focus on thin structures and topography preservation. Performance was evaluated on an 18-patient test set by comparing automated and manual segmentations using Dice similarity coefficient (DSC). Following clinical integration, 10 segmentations (assessment dataset) were generated using the network and manually refined for clinical use to quantify required adjustments using DSC. Results: In the test set, DSCs were 0.97+/-0.01 for liver parenchyma, 0.80+/-0.04 for hepatic vein, 0.79+/-0.07 for biliary tree, 0.77+/-0.17 for tumors, and 0.74+/-0.06 for portal vein. Average tumor detection rate was 76.6+/-24.1%, with a median of one false-positive per patient. The assessment dataset showed minor adjustments were required for clinical use of the 3D models, with high DSCs for parenchyma (1.00+/-0.00), portal vein (0.98+/-0.01) and hepatic vein (0.95+/-0.07). Tumor segmentation exhibited greater variability (DSC 0.80+/-0.27). During prospective clinical use, the model detected three additional tumors initially missed by radiologists. Conclusions: The proposed nnU-Net-based segmentation method enables accurate and automated delineation of hepatic anatomy. This enables 3D planning to be applied efficiently as a standard-of-care for every patient undergoing liver surgery.
- Abstract（参考訳）: 背景: 本研究の目的は, ガドキシー酸強調MRIの肝胆道相から, 肝血管腫, 腫瘍, 門脈, 肝静脈, 胆道木などの深層学習に基づく自動分画法を開発し, 評価することであった。
この方法では,術前計画のワークフローが簡単になる。
方法:2020年1月から2023年10月までに肝外科手術を行った90例の肝胆道MRIにて手指分割を行った。
深層学習ネットワーク (nU-Net v1) は, 細い構造と地形保存に着目した72例を対象に訓練を行った。
Dice similarity coefficient (DSC) を用いた自動セグメンテーションと手動セグメンテーションを比較した。
臨床統合後,ネットワークを用いて10のセグメンテーション(アセスメントデータセット)を作成した。
結果: DSCは肝硬変0.97+/-0.01, 肝静脈0.80+/-0.04, 胆汁酸0.79+/-0.07, 腫瘍0.77+/-0.17, 門脈0.74+/-0.06であった。
平均腫瘍検出率は76.6+/-24.1%であり, 偽陽性は1例中1例であった。
評価データセットでは,3Dモデルの臨床的使用には小調整が必要であり,肝門脈 (1.00+/-0.00),門脈 (0.98+/-0.01),肝静脈 (0.95+/-0.07) が高値を示した。
腫瘍のセグメンテーションは大きな変動(DSC 0.80+/-0.27)を示した。
将来的な臨床使用中、このモデルは、放射線技師が最初に見逃した3つの腫瘍を検出した。
結論: 提案したnnU-Net-based segmentation 法は肝解剖の正確かつ自動的デライン化を可能にする。
これにより、3Dプランニングは、肝外科手術を受けるすべての患者に対して、医療の標準として効率的に適用できる。
関連論文リスト
- A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT [3.2784582049471505]
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。
論文 参考訳（メタデータ） (2025-07-21T02:35:29Z) - 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) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI [15.078841623264543]
肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
論文 参考訳（メタデータ） (2021-10-17T13:19:00Z) - Leveraging Clinical Characteristics for Improved Deep Learning-Based
Kidney Tumor Segmentation on CT [0.0]
本研究は, 腎癌の自動分節化を画像診断に加え, 臨床的特徴を用いることで改善できるかどうかを考察する。
造影CT検査および臨床像を施行した腎癌患者300名を含む。
セグメンテーションの改善のために臨床特性を活用するために,認識型サンプリング戦略が用いられた。
論文 参考訳（メタデータ） (2021-09-13T09:38:22Z) - 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) - 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)
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。