論文の概要: Clinically-Informed Preprocessing Improves Stroke Segmentation in Low-Resource Settings

• arxiv url: http://arxiv.org/abs/2508.16004v1
• Date: Thu, 21 Aug 2025 23:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.207564
• Title: Clinically-Informed Preprocessing Improves Stroke Segmentation in Low-Resource Settings
• Title（参考訳）: 低資源環境下でのストロークセグメンテーションの改善
• Authors: Juampablo E. Heras Rivera, Hitender Oswal, Tianyi Ren, Yutong Pan, William Henry, Caitlin M. Neher, Mehmet Kurt,
• Abstract要約: 2～9日後にDWIからの注視後病変量を予測するために,入ってくるCT画像を入力として利用する一連のモデルを開発した。 提案したパイプラインは、ベースライン前処理でトレーニングされたnnU-Netモデルと比較して、10倍以上のDiceスコアが38%改善される。
• 参考スコア（独自算出の注目度）: 0.052118759008482306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stroke is among the top three causes of death worldwide, and accurate identification of ischemic stroke lesion boundaries from imaging is critical for diagnosis and treatment. The main imaging modalities used include magnetic resonance imaging (MRI), particularly diffusion weighted imaging (DWI), and computed tomography (CT)-based techniques such as non-contrast CT (NCCT), contrast-enhanced CT angiography (CTA), and CT perfusion (CTP). DWI is the gold standard for the identification of lesions but has limited applicability in low-resource settings due to prohibitive costs. CT-based imaging is currently the most practical imaging method in low-resource settings due to low costs and simplified logistics, but lacks the high specificity of MRI-based methods in monitoring ischemic insults. Supervised deep learning methods are the leading solution for automated ischemic stroke lesion segmentation and provide an opportunity to improve diagnostic quality in low-resource settings by incorporating insights from DWI when segmenting from CT. Here, we develop a series of models which use CT images taken upon arrival as inputs to predict follow-up lesion volumes annotated from DWI taken 2-9 days later. Furthermore, we implement clinically motivated preprocessing steps and show that the proposed pipeline results in a 38% improvement in Dice score over 10 folds compared to a nnU-Net model trained with the baseline preprocessing. Finally, we demonstrate that through additional preprocessing of CTA maps to extract vessel segmentations, we further improve our best model by 21% over 5 folds.
• Abstract（参考訳）: ストロークは世界中で3つの死因の1つであり、画像からの虚血性脳梗塞の境界の正確な同定は診断と治療に重要である。 磁気共鳴画像(MRI)、特に拡散強調画像(DWI)、非造影CT(NCCT)、造影CT(CTA)、CT灌流(CTP)などのCTベースの技術が主な画像モダリティである。 DWIは病変の特定のための金の標準であるが、禁止コストによる低リソース環境での適用性は制限されている。 CTベースの画像撮影は、低コストと簡易なロジスティクスのために、現在、低リソース環境で最も実用的な画像撮影方法であるが、虚血性侮辱をモニタリングするMRIベースの手法の高特異性は欠如している。 教師付き深層学習法は、虚血性脳梗塞の分節自動分類の先駆的ソリューションであり、CTからの分節時のDWIからの洞察を取り入れて、低リソース環境における診断品質を改善する機会を提供する。 そこで本研究では,DWIから2～9日後に採取したCT画像を入力として用いた一連のモデルを構築した。 さらに, 臨床動機付け前処理のステップを実装し, 提案したパイプラインは, ベースライン前処理を訓練したnnU-Netモデルと比較して, 10倍以上のDiceスコアが38%向上したことを示す。 最後に, 容器分割抽出のためのCTAマップの追加前処理により, 5倍の精度で最適モデルを21%向上させることを実証した。

関連論文リスト

• Enhanced Low-Dose CT Image Reconstruction by Domain and Task Shifting Gaussian Denoisers [3.4748713192043876]
  低放射線線量 (LDCT) からのCTは, 投射データに高ノイズが伴うため困難である。 本稿では,2段階の手法と最先端の再現性を組み合わせた簡易性と効率性を提案する。
  論文  参考訳（メタデータ） (2024-03-06T08:51:09Z)
• Solving Low-Dose CT Reconstruction via GAN with Local Coherence [2.325977856241404]
  本稿では,局所コヒーレンスを向上したGANを用いた新しい手法を提案する。 提案手法は, 近接画像の局所的コヒーレンスを光学的流れにより捕捉し, 構築した画像の精度と安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-24T08:55:42Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising [10.854795474105366]
  低線量CT画像のデノイングは医用画像処理において重要な課題である。 既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。 低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T09:38:52Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。