Fugu-MT 論文翻訳(概要): Left Atrial Segmentation with nnU-Net Using MRI

論文の概要: Left Atrial Segmentation with nnU-Net Using MRI

arxiv url: http://arxiv.org/abs/2511.04071v1
Date: Thu, 06 Nov 2025 05:23:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-07 20:17:53.309862
Title: Left Atrial Segmentation with nnU-Net Using MRI
Title（参考訳）: MRIを用いた nnU-Net による左房分節の1例
Authors: Fatemeh Hosseinabadi, Seyedhassan Sharifi,
Abstract要約: 近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate segmentation of the left atrium (LA) from cardiac MRI is critical for guiding atrial fibrillation (AF) ablation and constructing biophysical cardiac models. Manual delineation is time-consuming, observer-dependent, and impractical for large-scale or time-sensitive clinical workflows. Deep learning methods, particularly convolutional architectures, have recently demonstrated superior performance in medical image segmentation tasks. In this study, we applied the nnU-Net framework, an automated, self-configuring deep learning segmentation architecture, to the Left Atrial Segmentation Challenge 2013 dataset. The dataset consists of thirty MRI scans with corresponding expert-annotated masks. The nnU-Net model automatically adapted its preprocessing, network configuration, and training pipeline to the characteristics of the MRI data. Model performance was quantitatively evaluated using the Dice similarity coefficient (DSC), and qualitative results were compared against expert segmentations. The proposed nnUNet model achieved a mean Dice score of 93.5, demonstrating high overlap with expert annotations and outperforming several traditional segmentation approaches reported in previous studies. The network exhibited robust generalization across variations in left atrial shape, contrast, and image quality, accurately delineating both the atrial body and proximal pulmonary veins.
Abstract（参考訳）: 心臓MRIによる左房 (LA) の正確な分画は心房細動 (AF) の誘導と生体物理心モデルの構築に重要である。手動記述は、時間を要する、観察者に依存し、大規模または時間に敏感な臨床ワークフローには実用的ではない。深層学習、特に畳み込み型アーキテクチャは、最近、医用画像のセグメンテーションタスクにおいて優れた性能を示している。本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房セグメンテーションチャレンジ2013データセットに適用した。データセットは30個のMRIスキャンとそれに対応する専門家注釈付きマスクで構成されている。 nnU-NetモデルはMRIデータの特徴に前処理、ネットワーク構成、トレーニングパイプラインを自動的に適応させる。モデル性能をDice similarity coefficient (DSC) を用いて定量的に評価し, エキスパートセグメンテーションと比較した。提案したnnUNetモデルはDiceスコアの平均93.5を達成し、エキスパートアノテーションと高い重なり合いを示し、以前の研究で報告されたいくつかの従来のセグメンテーションアプローチを上回った。ネットワークは左心房形態,コントラスト,画像品質の変動にまたがって堅牢な一般化を示し,心房体と近位肺静脈の両方を正確に描写した。

関連論文リスト

Towards the Automatic Segmentation, Modeling and Meshing of the Aortic Vessel Tree from Multicenter Acquisitions: An Overview of the SEG.A. 2023 Segmentation of the Aorta Challenge [44.01488489205175]
この分野での進歩を触媒するSEG.A.チャレンジを紹介します。この課題は、隠れたテストセットで自動アルゴリズムをベンチマークした。主要な結果は、上位のアルゴリズムのアンサンブルが個々のモデルよりも大幅に優れていたことである。
論文参考訳（メタデータ） (2025-10-28T02:33:45Z)
ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
論文参考訳（メタデータ） (2025-06-24T14:56:55Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
論文参考訳（メタデータ） (2025-03-24T14:47:54Z)
Evaluation of state-of-the-art deep learning models in the segmentation of the heart ventricles in parasternal short-axis echocardiograms [0.0]
胸部短軸心エコー図(PSAX-echo)における心室のセグメンテーションによる深層学習モデルの評価深層学習モデルはPSAX-echoの左室と右室のセグメンテーションに適したモデルである。
論文参考訳（メタデータ） (2025-03-12T00:33:01Z)
Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
論文参考訳（メタデータ） (2023-05-03T09:38:52Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。