論文の概要: LM-CartSeg: Automated Segmentation of Lateral and Medial Cartilage and Subchondral Bone for Radiomics Analysis

• arxiv url: http://arxiv.org/abs/2512.03449v2
• Date: Fri, 05 Dec 2025 16:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.717489
• Title: LM-CartSeg: Automated Segmentation of Lateral and Medial Cartilage and Subchondral Bone for Radiomics Analysis
• Title（参考訳）: LM-CartSeg:X線分析のための外側軟骨・内側軟骨・軟骨下骨の自動分離
• Abstract要約: LM-CartSegは軟骨/骨分割、幾何学的側面/メディカル区画化、放射線分析のための完全自動パイプラインである。 結果: OAIZIB-CMのマクロASSDは2.63mmから0.36mm,HD95は25.2mmから3.35mmに改善され,DSC 0.91,SKI-10のゼロショットデータセットは0.80であった。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and Objective: Radiomics of knee MRI requires robust, anatomically meaningful regions of interest (ROIs) that jointly capture cartilage and subchondral bone. Most existing work relies on manual ROIs and rarely reports quality control (QC). We present LM-CartSeg, a fully automatic pipeline for cartilage/bone segmentation, geometric lateral/medial (L/M) compartmentalisation and radiomics analysis. Methods: Two 3D nnU-Net models were trained on SKM-TEA (138 knees) and OAIZIB-CM (404 knees). At test time, zero-shot predictions were fused and refined by simple geometric rules: connected-component cleaning, construction of 10 mm subchondral bone bands in physical space, and a data-driven tibial L/M split based on PCA and k-means. Segmentation was evaluated on an OAIZIB-CM test set (103 knees) and on SKI-10 (100 knees). QC used volume and thickness signatures. From 10 ROIs we extracted 4 650 non-shape radiomic features to study inter-compartment similarity, dependence on ROI size, and OA vs. non-OA classification on OAIZIB-CM Results: Post-processing improved macro ASSD on OAIZIB-CM from 2.63 to 0.36 mm and HD95 from 25.2 to 3.35 mm, with DSC 0.91; zero-shot DSC on SKI-10 was 0.80. The geometric L/M rule produced stable compartments across datasets, whereas a direct L/M nnU-Net showed domain-dependent side swaps. Only 6 to 12 percent of features per ROI were strongly correlated with volume or thickness. Radiomics-based models models restricted to size-linked features. Conclusions: LM-CartSeg yields automatic, QCd ROIs and radiomic features that carry discriminative information beyond simple morphometry, providing a practical foundation for multi-centre knee OA radiomics studies.
• Abstract（参考訳）: 背景と目的: 膝関節MRIの放射線学は、軟骨と軟骨下骨を共同に捕獲する、堅牢で解剖学的に意味のある関心領域(ROI)を必要とする。 既存の作業の多くは手動のROIに依存しており、品質管理(QC)を報告することはめったにありません。 軟骨・骨分割, 幾何学的側方/メディカル (L/M) 区画化, 放射能解析のための完全自動パイプラインであるLM-CartSegについて述べる。 方法:SKM-TEA (138膝)とOAIZIB-CM (404膝)の2つの3D nnU-Netモデルを訓練した。 テスト時にゼロショット予測は、連結成分洗浄、物理空間における10mmの軟骨下骨バンドの構築、PCAとk-meansに基づくデータ駆動型タイビアルL/M分割といった単純な幾何学的規則で融合・洗練された。 OAIZIB-CMテストセット(103膝)とSKI-10(100膝)でセグメンテーションを評価した。 QCは体積と厚さのシグネチャを使用していた。 その結果, OAIZIB-CMでは, OAIZIB-CMでは2.63～0.36mm, HD95では25.2～335mm, DSC 0.91, SKI-10では0ショットDSCでは0.80, SKI-10では0ショットDSCでは0.80であった。 幾何学的L/M規則はデータセット間の安定なコンパートメントを生成し、直接L/M nnU-Netはドメイン依存のサイドスワップを示した。 ROIあたりの特徴の6～12%が体積や厚さと強く相関していた。 ラジオミクスベースのモデルはサイズリンク機能に限定された。 結論:LM-CartSegは、単純な形態計測以上の識別情報を伝達する自動的、QCd ROIと放射能特性をもたらし、多心性膝OA放射能研究の実践的基盤となる。

関連論文リスト

• Automated Fetal Brain MRI Biometry in Healthy and Pathological Cases [0.0]
  我々は,NeSVoRを再構成した3Dボリューム上に22の解剖学的ランドマークを局在させる自動バイオメトリック分析パイプラインを評価した。 我々は,H3DE-NetとSCNの2つのランドマークローカライゼーションモデルを,122件の買収の異種コホート上で比較した。
  論文  参考訳（メタデータ） (2026-08-16T11:48:58Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• MonoUNet: A Robust Tiny Neural Network for Automated Knee Cartilage Segmentation on Point-of-Care Ultrasound Devices [3.64325868505768]
  ポイント・オブ・ケア・超音波(POCUS)デバイスを用いた人工膝関節脱臼のための超コンパクト深層学習モデルを開発した。 MonoUNetは、(i)非対称デコーダを備えた積極的に縮小されたバックボーン、(ii)マルチスケールの局所的な位相特徴を抽出するトレーニング可能なモノジェニックブロック、(iii)ゲートされた特徴注入機構からなる。 MonoUNetは多部位多デバイス人工膝関節超音波データセットを用いて評価した。
  論文  参考訳（メタデータ） (2026-04-09T04:14:16Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• Lite ENSAM: a lightweight cancer segmentation model for 3D Computed Tomography [0.0]
  本稿では,ReCISTアノテーションを付加したCTスキャンから高効率な体積性腫瘍分画を実現するために,ENAMアーキテクチャを軽量に適応したLite ENSAMを提案する。 Lite ENSAM は MICCAI FLARE 2025 Task 1: Pan-cancer in CT Scans, Subtask 2 に提出され、60.7%の類似性係数(DSC)、63.6%の正規化表面ディス(NSD)を達成した。
  論文  参考訳（メタデータ） (2025-11-03T14:01:45Z)
• Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg [0.0]
  SegResNetモデルは、2025年のPANTHER Challengeの一環として、2つのMRIベースの膵腫瘍セグメンテーションタスクで訓練され、評価された。 性能はやや低かったが, 自動デライン化の可能性を示した。
  論文  参考訳（メタデータ） (2025-08-28T21:38:06Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• 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)
• SAMRI-2: A Memory-based Model for Cartilage and Meniscus Segmentation in 3D MRIs of the Knee Joint [0.7879983966759583]
  本研究では,メモリベースのVFMを用いた3次元MRIによる軟骨・半月板分割のためのディープラーニング(DL)手法を提案する。 我々はCNNベースの3D-VNetと2つの自動トランスフォーマーベースモデル(SaMRI2DとSaMRI3D)、およびトランスフォーマーベースのプロンプト可能なメモリベースVFM(SAMRI-2)を270例の3D膝MRIで訓練した。 SAMRI-2はHSSで訓練され、他の全てのモデルより優れ、平均5ポイント改善し、最高12ポイント向上した。
  論文  参考訳（メタデータ） (2025-02-14T21:18:01Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• 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)
• 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)

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。