論文の概要: Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability
- arxiv url: http://arxiv.org/abs/2511.14083v1
- Date: Tue, 18 Nov 2025 03:12:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.899085
- Title: Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability
- Title（参考訳）: 肩関節不安定症における術前計画のためのCTスキャンにおける骨量自動計測とセグメンテーション
- Authors: Zhonghao Liu, Hanxue Gu, Qihang Li, Michael Fox, Jay M. Levin, Maciej A. Mazurowski, Brian C. Lau,
- Abstract要約: 肩関節不安定症の手術計画には, 骨量測定の信頼性が不可欠である。
三次元CTスキャンによるグリノイド骨量計測のための完全自動深層学習パイプラインの開発と評価を行った。
- 参考スコア（独自算出の注目度）: 4.618498494409548
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reliable measurement of glenoid bone loss is essential for operative planning in shoulder instability, but current manual and semi-automated methods are time-consuming and often subject to interreader variability. We developed and validated a fully automated deep learning pipeline for measuring glenoid bone loss on three-dimensional computed tomography (CT) scans using a linear-based, en-face view, best-circle method. Shoulder CT images of 91 patients (average age, 40 years; range, 14-89 years; 65 men) were retrospectively collected along with manual labels including glenoid segmentation, landmarks, and bone loss measurements. The multi-stage algorithm has three main stages: (1) segmentation, where we developed a U-Net to automatically segment the glenoid and humerus; (2) anatomical landmark detection, where a second network predicts glenoid rim points; and (3) geometric fitting, where we applied principal component analysis (PCA), projection, and circle fitting to compute the percentage of bone loss. The automated measurements showed strong agreement with consensus readings and exceeded surgeon-to-surgeon consistency (intraclass correlation coefficient (ICC) 0.84 vs 0.78), including in low- and high-bone-loss subgroups (ICC 0.71 vs 0.63 and 0.83 vs 0.21, respectively; P < 0.001). For classifying patients into low, medium, and high bone-loss categories, the pipeline achieved a recall of 0.714 for low and 0.857 for high severity, with no low cases misclassified as high or vice versa. These results suggest that our method is a time-efficient and clinically reliable tool for preoperative planning in shoulder instability and for screening patients with substantial glenoid bone loss. Code and dataset are available at https://github.com/Edenliu1/Auto-Glenoid-Measurement-DL-Pipeline.
- Abstract（参考訳）: 肩関節不安定症における手術計画には, 下顎骨の骨損失の信頼性測定が不可欠であるが, 現在の手動・半自動法は時間を要するため, しばしば読取者間の変動が生じる。
三次元CTスキャンにおけるグリノイド骨量計測のための完全自動深層学習パイプラインを開発した。
健常者91名(平均年齢40歳,範囲14～89歳,男性65名)の肩部CT像を,関節節,ランドマーク,骨量測定などの手動ラベルとともに再収集した。
多段階のアルゴリズムは,(1) グリノイドと上腕骨を自動的に分割するU-Net,(2) 解剖学的ランドマーク検出,(2) 第2のネットワークがグリノイドのリム点を予測する,(3) 幾何学的フィッティング,(3) 主成分分析(PCA), 投射, 円形フィッティングの3段階からなる。
自動測定では,低骨量群と高骨量群(ICC 0.71 対 0.63 対 0.83 対 0.21 対 0.001 対 P < 0.001 )を含む整合性 (ICC 対 0.84 対 0.78 ) が有意な一致を示した。
患者を低、中、高骨量に分類するために、パイプラインは低の0.714、高の0.857のリコールを達成した。
以上より, 本法は肩関節不安定症の術前計画と, かなり骨量の多い患者のスクリーニングに有効であると考えられた。
コードとデータセットはhttps://github.com/Edenliu1/Auto-Glenoid-Measurement-DL-Pipeline.comから入手できる。
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) - Automated surgical planning with nnU-Net: delineation of the anatomy in hepatobiliary phase MRI [0.8218416576896596]
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。
論文 参考訳（メタデータ） (2025-08-19T11:58:19Z) - 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) - Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。
2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。
パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-07-14T21:29:28Z) - 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) - Interpretable Vertebral Fracture Quantification via Anchor-Free
Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2022-04-14T08:31:25Z) - 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) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。