論文の概要: Automatic segmentation of colorectal liver metastases for ultrasound-based navigated resection

• arxiv url: http://arxiv.org/abs/2511.05253v1
• Date: Fri, 07 Nov 2025 14:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.781024
• Title: Automatic segmentation of colorectal liver metastases for ultrasound-based navigated resection
• Title（参考訳）: 超音波ナビゲート切除術における大腸肝転移の自動切除
• Authors: Tiziano Natali, Karin A. Olthof, Niels F. M. Kok, Koert F. D. Kuhlmann, Theo J. M. Ruers, Matteo Fusaglia,
• Abstract要約: 自動セグメンテーションは、超音波ベースのナビゲーションの精度と効率を高めることができる。 85例のCRLM患者から得られた8例の3D iUSを3D U-Netのトレーニングおよび評価に使用した。 結果: 収穫量モデルは全量モデルよりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: Accurate intraoperative delineation of colorectal liver metastases (CRLM) is crucial for achieving negative resection margins but remains challenging using intraoperative ultrasound (iUS) due to low contrast, noise, and operator dependency. Automated segmentation could enhance precision and efficiency in ultrasound-based navigation workflows. Methods: Eighty-five tracked 3D iUS volumes from 85 CRLM patients were used to train and evaluate a 3D U-Net implemented via the nnU-Net framework. Two variants were compared: one trained on full iUS volumes and another on cropped regions around tumors. Segmentation accuracy was assessed using Dice Similarity Coefficient (DSC), Hausdorff Distance (HDist.), and Relative Volume Difference (RVD) on retrospective and prospective datasets. The workflow was integrated into 3D Slicer for real-time intraoperative use. Results: The cropped-volume model significantly outperformed the full-volume model across all metrics (AUC-ROC = 0.898 vs 0.718). It achieved median DSC = 0.74, recall = 0.79, and HDist. = 17.1 mm comparable to semi-automatic segmentation but with ~4x faster execution (~ 1 min). Prospective intraoperative testing confirmed robust and consistent performance, with clinically acceptable accuracy for real-time surgical guidance. Conclusion: Automatic 3D segmentation of CRLM in iUS using a cropped 3D U-Net provides reliable, near real-time results with minimal operator input. The method enables efficient, registration-free ultrasound-based navigation for hepatic surgery, approaching expert-level accuracy while substantially reducing manual workload and procedure time.
• Abstract（参考訳）: 紹介:大腸肝転移(CRLM)の正確な術中デライン化は陰性切除マージンを達成する上で重要であるが,低コントラスト,ノイズ,術者の依存により術中超音波(iUS)を併用することは困難である。 自動セグメンテーションは、超音波ベースのナビゲーションワークフローの精度と効率を高めることができる。 方法:85例のCRLM患者から得られた85例の3D iUSボリュームを用いて,nnU-Netフレームワークを用いて実施した3D U-Netを訓練・評価した。 2つの変種を比較した。1つは全iUS量で訓練され、もう1つは腫瘍周辺の収穫地で訓練された。 Dice similarity Coefficient (DSC), Hausdorff Distance (HDist.), Relative Volume difference (RVD) を用いて, 振り返りおよび予測データセット上でのセグメンテーション精度を評価した。 ワークフローはリアルタイムの術中使用のために3D Slicerに統合された。 結果: 収穫量モデルは全指標(AUC-ROC = 0.898 vs 0.718)で有意な性能を示した。 DSC = 0.74、リコール = 0.79、HDistを達成した。 = 17.1 mm は半自動セグメンテーションに匹敵するが、約4倍高速な実行(約1分)である。 術後経過は良好で,術後経過は良好で,術後経過は良好であった。 結論: 収穫した3D U-Netを用いたiUSにおけるCRLMの自動3次元セグメンテーションは,演算子入力を最小限に抑えた信頼性,ほぼリアルタイムな結果を提供する。 本発明の方法は,手作業量や作業時間を大幅に削減しつつ,専門家レベルの精度に近づいた肝外科手術のための効率的な,登録不要な超音波ナビゲーションを可能にする。

関連論文リスト

• Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
  肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。 ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。 本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-19T23:02:43Z)
• 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 weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
  非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
  論文  参考訳（メタデータ） (2022-09-24T15:04:23Z)
• 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)
• Real-time Virtual Intraoperative CT for Image Guided Surgery [13.166023816014777]
  本研究は, 仮想的術中CT生成のための3つの方法, 先端運動ベース, 先端軌跡ベース, 計器ベースを提示する。 手術成績は, いずれもDice similarity Coefficient > 86%, F-score > 92%, 精度で改善した。 先端軌跡法は, 外科的完全性評価において, 96.87%の精度で良好な成績を示した。
  論文  参考訳（メタデータ） (2021-12-05T16:06:34Z)
• 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)

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。