論文の概要: Bonnet: Ultra-fast whole-body bone segmentation from CT scans

• arxiv url: http://arxiv.org/abs/2601.22576v1
• Date: Fri, 30 Jan 2026 05:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.240451
• Title: Bonnet: Ultra-fast whole-body bone segmentation from CT scans
• Title（参考訳）: Bonnet:CTスキャンによる超高速全体骨分割
• Authors: Hanjiang Zhu, Pedro Martelleto Rezende, Zhang Yang, Tong Ye, Bruce Z. Gao, Feng Luo, Siyu Huang, Jiancheng Yang,
• Abstract要約: Bonnetは超高速のスパースボリュームパイプラインで、CTスキャンから全身骨の分節を行う。 ボネットは1回のスキャンでわずか2.69秒で走りながら、リブ、骨盤、脊椎のハイダイスを達成する。 強いボクセルベースラインと比較して、Bonnetは同様の精度を達成しているが、同じハードウェアとセットアップでおよそ25倍の推論時間を短縮する。
• 参考スコア（独自算出の注目度）: 17.519807064915902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes Bonnet, an ultra-fast sparse-volume pipeline for whole-body bone segmentation from CT scans. Accurate bone segmentation is important for surgical planning and anatomical analysis, but existing 3D voxel-based models such as nnU-Net and STU-Net require heavy computation and often take several minutes per scan, which limits time-critical use. The proposed Bonnet addresses this by integrating a series of novel framework components including HU-based bone thresholding, patch-wise inference with a sparse spconv-based U-Net, and multi-window fusion into a full-volume prediction. Trained on TotalSegmentator and evaluated without additional tuning on RibSeg, CT-Pelvic1K, and CT-Spine1K, Bonnet achieves high Dice across ribs, pelvis, and spine while running in only 2.69 seconds per scan on an RTX A6000. Compared to strong voxel baselines, Bonnet attains a similar accuracy but reduces inference time by roughly 25x on the same hardware and tiling setup. The toolkit and pre-trained models will be released at https://github.com/HINTLab/Bonnet.
• Abstract（参考訳）: この研究は、CTスキャンから全身骨分割を行う超高速スパースボリュームパイプラインであるBonnetを提案する。 正確な骨分割は外科的計画や解剖学的解析において重要であるが、nnU-NetやSTU-Netのような既存の3Dボクセルベースのモデルでは重い計算が必要であり、1回のスキャンで数分かかることが多く、時間的に重要な使用を制限している。 提案したBonnetは,HUベースの骨しきい値設定,スパースspconvベースのU-Netによるパッチワイド推論,マルチウィンドウ融合など,一連の新しいフレームワークコンポーネントをフルボリュームの予測に統合することによって,この問題に対処する。 TotalSegmentatorでトレーニングされ、RibSeg、CT-Pelvic1K、CT-Spine1Kで追加のチューニングなしで評価され、RTX A6000上で1スキャンあたり2.69秒で、リブ、骨盤、脊椎をまたいで高いディスを達成する。 強いボクセルベースラインと比較して、Bonnetは同様の精度を達成しているが、同じハードウェアとタイリングのセットアップでおよそ25倍の推論時間を短縮する。 ツールキットと事前トレーニングされたモデルはhttps://github.com/HINTLab/Bonnet.comでリリースされる。

関連論文リスト

• 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)
• VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray [3.7139410609392933]
  VertXNetは脊椎X線画像に脊椎を自動的に分類しラベル付けするためのアンサンブルパイプラインである。 2つの最先端(SOTA)セグメンテーションモデル(特にU-NetとMask R-CNN)を組み合わせることで、X線脊椎画像における脊椎の自動セグメンテーションとラベル付けを行う。 提案したパイプラインを3つの脊髄X線データセット(内部2点,公開1点)で評価し,放射線医が注釈した椎骨との比較を行った。
  論文  参考訳（メタデータ） (2023-02-07T14:01:32Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images [0.7388859384645263]
  個々の骨の局所化と分節化は多くの計画およびナビゲーションアプリケーションにおいて重要な前処理ステップである。 上半身CTにおいて125個の異なる骨を分割できるエンドツーエンド学習アルゴリズムを提案する。 また、アンサンブルベースの不確実性対策も提供し、スキャンを単一にしてトレーニングデータセットを拡大します。
  論文  参考訳（メタデータ） (2022-08-19T08:39:23Z)
• 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)
• RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation from CT Scans [62.16198969529679]
  CT(Computed tomography)スキャンにおける手動リブ検査は臨床的に重要であるが、労働集約的である。 公開データセットから490個のCTスキャン(11,719個のリブ)を含むラベル付きリブセグメンテーションベンチマークemphRibSegを開発した。 入力からスパルスボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。
  論文  参考訳（メタデータ） (2021-09-17T16:17:35Z)
• Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models [20.061463073787234]
  複数のソースと異なるメーカからプールされた大きな骨盤CTデータセットをキュレートすることで、データギャップを埋めることを目指している。 腰椎、仙骨、左股関節、右股関節を分割するための深いマルチクラスのネットワークを学ぶために、私たちの知識を最大限に活用するために、初めて提案します。 最後に,符号付き距離関数(SDF)に基づく後処理ツールを導入し,誤予測を排除した。
  論文  参考訳（メタデータ） (2020-12-16T03:30:40Z)
• Dual Encoder Fusion U-Net (DEFU-Net) for Cross-manufacturer Chest X-ray Segmentation [10.965529320634326]
  Inception Convolutional Neural Networkを用いたChest X線のためのデュアルエンコーダ融合U-Netフレームワークを提案する。 DEFU-Netは、基本的なU-Net、残留U-Net、BCDU-Net、R2U-Net、注意R2U-Netよりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-09-11T15:57:44Z)

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。