論文の概要: Validation of a CT-brain analysis tool for measuring global cortical atrophy in older patient cohorts

• arxiv url: http://arxiv.org/abs/2509.08012v1
• Date: Mon, 08 Sep 2025 20:04:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.202475
• Title: Validation of a CT-brain analysis tool for measuring global cortical atrophy in older patient cohorts
• Title（参考訳）: 高齢者コホートにおける大脳皮質萎縮測定のためのCT脳分析ツールの妥当性の検討
• Authors: Sukhdeep Bal, Emma Colbourne, Jasmine Gan, Ludovica Griffanti, Taylor Hanayik, Nele Demeyere, Jim Davies, Sarah T Pendlebury, Mark Jenkinson,
• Abstract要約: 我々は,訓練されたヒトラッカーに対して,グローバル脳萎縮スコアを測定する自動ディープラーニング(DL)ツールを検証した。 DLツールは,高齢者(65歳)の代表者を対象に,訓練された認知的ラッカーと年齢障害との関連性についてGCAスコアを測定した。
• 参考スコア（独自算出の注目度）: 0.7223361655030193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantification of brain atrophy currently requires visual rating scales which are time consuming and automated brain image analysis is warranted. We validated our automated deep learning (DL) tool measuring the Global Cerebral Atrophy (GCA) score against trained human raters, and associations with age and cognitive impairment, in representative older (>65 years) patients. CT-brain scans were obtained from patients in acute medicine (ORCHARD-EPR), acute stroke (OCS studies) and a legacy sample. Scans were divided in a 60/20/20 ratio for training, optimisation and testing. CT-images were assessed by two trained raters (rater-1=864 scans, rater-2=20 scans). Agreement between DL tool-predicted GCA scores (range 0-39) and the visual ratings was evaluated using mean absolute error (MAE) and Cohen's weighted kappa. Among 864 scans (ORCHARD-EPR=578, OCS=200, legacy scans=86), MAE between the DL tool and rater-1 GCA scores was 3.2 overall, 3.1 for ORCHARD-EPR, 3.3 for OCS and 2.6 for the legacy scans and half had DL-predicted GCA error between -2 and 2. Inter-rater agreement was Kappa=0.45 between the DL-tool and rater-1, and 0.41 between the tool and rater- 2 whereas it was lower at 0.28 for rater-1 and rater-2. There was no difference in GCA scores from the DL-tool and the two raters (one-way ANOVA, p=0.35) or in mean GCA scores between the DL-tool and rater-1 (paired t-test, t=-0.43, p=0.66), the tool and rater-2 (t=1.35, p=0.18) or between rater-1 and rater-2 (t=0.99, p=0.32). DL-tool GCA scores correlated with age and cognitive scores (both p<0.001). Our DL CT-brain analysis tool measured GCA score accurately and without user input in real-world scans acquired from older patients. Our tool will enable extraction of standardised quantitative measures of atrophy at scale for use in health data research and will act as proof-of-concept towards a point-of-care clinically approved tool.
• Abstract（参考訳）: 現在、脳萎縮の定量化には、時間を要する視覚的評価尺度が必要であり、自動脳画像解析が必須である。 高齢者(65歳以上)の代表者を対象に,GCA(Global Cerebral Atrophy)スコアを測定する自動ディープラーニング(DL)ツールと,年齢・認知障害との関連を検証した。 急性期(ORCHARD-EPR)、急性期脳卒中(OCS)、レガシ標本からCT脳スキャンが得られた。 スクラムはトレーニング、最適化、テストのために60/20/20の比率で分割された。 CT画像は2つのトレーニングレーナー(rater-1=864スキャン, rater-2=20スキャン)によって評価された。 平均絶対誤差 (MAE) とコーエンの重み付きカッパを用いて, DLツール予測GCAスコア (範囲0-39) と視覚評価との一致を評価した。 864スキャン(ORCHARD-EPR=578,OCS=200,レガシスキャン=86)のうち、DLツールとレーダ-1 GCAスコア間のMAEは3.2、ORCHARD-EPRは3.1、OCSは3.3、レガシスキャンは2.6、DL予測GCAエラーは2～2。 DL-tool と rater-1 は Kappa=0.45 であり、ツールと rater-2 は 0.41 であったが、 rater-1 と rater-2 は 0.28 であった。 DL-toolと2つのラッカー(片方向ANOVA, p=0.35)のGCAスコアと、DL-toolと rater-1(paired t-test, t=-0.43, p=0.66)、ツールと rater-2(t=1.35, p=0.18)、あるいは rater-1と rater-2(t=0.99, p=0.32)とのGCAスコアに差はなかった。 DL-tool GCAスコアは年齢と認知スコアと相関した(p<0.001。 DLCT-脳分析ツールは,高齢者から取得した実世界のスキャンにおいて,GCAのスコアを正確に測定し,ユーザ入力なしで測定した。 本ツールは,医療データ研究に使用される大規模萎縮の標準的な定量尺度を抽出し,臨床的に承認されたポイント・オブ・ケアツールに対する概念実証として機能する。

関連論文リスト

• Multi-Centre Validation of a Deep Learning Model for Scoliosis Assessment [0.0]
  完全自動化深層学習ソフトウェア(Carebot AI Bones, Spine Measurement, Carebot s.r.o)の多施設共同評価を行った。 立位後背部X線写真103例について検討した。 2人の筋骨格ラジオストがそれぞれの研究を独立に測定し、参考読者として機能した。
  論文  参考訳（メタデータ） (2025-07-18T17:21:53Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans [2.3135717943756307]
  胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。 その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。 本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。 新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
  論文  参考訳（メタデータ） (2023-10-23T19:48:58Z)
• Developing a Machine Learning-Based Clinical Decision Support Tool for Uterine Tumor Imaging [0.0]
  子宮平滑筋肉腫 (LMS) は稀ながら積極的な悪性腫瘍である。 遺伝性平滑筋腫(LM)とLMSを区別することは困難である。 UT症例110例のT2強調画像115例に5種類の腫瘍を認めた。 nnU-Netを適用し,25,45,65,85のトレーニングセット画像をランダムに生成することにより,トレーニングセットサイズがパフォーマンスに与える影響を検討した。
  論文  参考訳（メタデータ） (2023-08-20T21:46:05Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Comparative Validation of AI and non-AI Methods in MRI Volumetry to Diagnose Parkinsonian Syndromes [4.225307685571808]
  脳セグメンテーションにおけるディープラーニング(DL)モデルは、ゴールドスタンダードの非DL法と比較される。 DLは、脳のセグメンテーションと鑑別診断の性能を損なうことなく、分析時間を著しく短縮する。 本研究は,臨床環境におけるDL脳MRIのセグメンテーションの導入と,脳研究の進展に寄与する可能性がある。
  論文  参考訳（メタデータ） (2022-07-23T14:55:38Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• 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)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。