論文の概要: Transformer-Based Multi-Region Segmentation and Radiomic Analysis of HR-pQCT Imaging

• arxiv url: http://arxiv.org/abs/2603.09137v1
• Date: Tue, 10 Mar 2026 03:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.994514
• Title: Transformer-Based Multi-Region Segmentation and Radiomic Analysis of HR-pQCT Imaging
• Title（参考訳）: Transformer-based Multi-Region Segmentation and Radiomic Analysis of HR-pQCT Imaging
• Abstract要約: 骨粗しょう症(Osteoporosis)は、典型的には二重エネルギーX線吸収率(DXA)で診断される骨格疾患である 高分解能周辺定量CT(HR-pQCT)は、最小放射線で3次元の微細構造イメージングを可能にする。 解剖学的セグメント化HR-pQCT画像から抽出した放射能特徴を用いた二元性骨粗しょう症分類のための完全自動フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Osteoporosis is a skeletal disease typically diagnosed using dual-energy X-ray absorptiometry (DXA), which quantifies areal bone mineral density but overlooks bone microarchitecture and surrounding soft tissues. High-resolution peripheral quantitative computed tomography (HR-pQCT) enables three-dimensional microstructural imaging with minimal radiation. However, current analysis pipelines largely focus on mineralized bone compartments, leaving much of the acquired image data underutilized. We introduce a fully automated framework for binary osteoporosis classification using radiomics features extracted from anatomically segmented HR-pQCT images. To our knowledge, this work is the first to leverage a transformer-based segmentation architecture, i.e., the SegFormer, for fully automated multi-region HR-pQCT analysis. The SegFormer model simultaneously delineated the cortical and trabecular bone of the tibia and fibula along with surrounding soft tissues and achieved a mean F1 score of 95.36%. Soft tissues were further subdivided into skin, myotendinous, and adipose regions through post-processing. From each region, 939 radiomic features were extracted and dimensionally reduced to train six machine learning classifiers on an independent dataset comprising 20,496 images from 122 HR-pQCT scans. The best image level performance was achieved using myotendinous tissue features, yielding an accuracy of 80.08% and an area under the receiver operating characteristic curve (AUROC) of 0.85, outperforming bone-based models. At the patient level, replacing standard biological, DXA, and HR-pQCT parameters with soft tissue radiomics improved AUROC from 0.792 to 0.875. These findings demonstrate that automated, multi-region HR-pQCT segmentation enables the extraction of clinically informative signals beyond bone alone, highlighting the importance of integrated tissue assessment for osteoporosis detection.
• Abstract（参考訳）: 骨粗しょう症(Osteoporosis)は、骨の微細構造や周囲の軟組織を見落としながら、骨密度を計測する二重エネルギーX線吸収法(DXA)を用いて診断される骨格疾患である。 高分解能周辺定量CT(HR-pQCT)は、最小放射線で3次元の微細構造イメージングを可能にする。 しかし、現在の分析パイプラインは、主に鉱物化された骨の区画に焦点を当てており、取得した画像データの多くは未利用のままである。 解剖学的セグメント化HR-pQCT画像から抽出した放射能特徴を用いた二元性骨粗しょう症分類のための完全自動フレームワークを提案する。 我々の知る限り、この研究はトランスフォーマーベースのセグメンテーションアーキテクチャ、すなわちSegFormerを、完全に自動化されたマルチリージョンHR-pQCT分析に活用する最初のものである。 SegFormer モデルは、周囲の軟部組織とともに、大脳皮質と骨盤の骨を同時にデライン化し、平均 F1 スコアは95.36% に達した。 軟組織は, 処理後, 皮膚, 脊髄, 脂肪組織にさらに細分化した。 各領域から939個の放射能特性を抽出し,122個のHR-pQCTスキャンから20,496個の画像からなる独立データセット上で6つの機械学習分類器を訓練した。 画像レベルの最良の性能は, 筋膜組織の特徴を用いて達成され, 80.08%の精度と, 0.85のレシーバ操作特性曲線(AUROC)以下の面積が骨ベースモデルより優れていた。 患者レベルでは,標準的な生体,DXA,HR-pQCTパラメータを軟組織放射能で置き換え,AUROCは0.792から0.875に改善した。 以上の結果より, 自動多領域HR-pQCTセグメンテーションにより, 骨単独での臨床情報信号の抽出が可能であり, 骨粗しょう症検出における統合組織アセスメントの重要性が示唆された。

関連論文リスト

• 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)
• RAM-H1200: A Unified Evaluation and Dataset on Hand Radiographs for Rheumatoid Arthritis [35.59783490741177]
  手関節リウマチ(RA)の評価には多段階解析とモデリングが必要である。 RAM-H1200は6つの医療センターから収集された1200個の手書きのラジオグラフィーを含んでいる。 ハンドラジオグラフィーから, 解剖学的構造, 局所的浸食病理, 臨床的に標準化されたRA重症度を, 共同撮影できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-05-07T03:12:10Z)
• Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
  変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。 変形性膝関節症評価のために, 膝X線撮影を行った。 単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
  論文  参考訳（メタデータ） (2026-04-22T07:12:04Z)
• Radiology Report Generation with Layer-Wise Anatomical Attention [35.18016233072556]
  我々は胸部X線レポートのFinderingsセクションを生成するコンパクトな画像からテキストへのアーキテクチャを提案する。 このモデルは凍結した自己蒸留とNo Labels v3 (DINOv3) Vision Transformer (ViT)エンコーダとGenerative Pre-trained Transformer 2 (GPT-2)デコーダを組み合わせたものである。
  論文  参考訳（メタデータ） (2025-12-18T18:17:57Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Skeleton-Guided Diffusion Model for Accurate Foot X-ray Synthesis in Hallux Valgus Diagnosis [12.427745726658461]
  世界の人口の約19%に影響を及ぼすハルース・バルガスは、度重なるX線による評価を必要とする。 既存のX線モデルは、画像の忠実さ、骨格の一貫性、物理的制約のバランスをとるのに苦労することが多い。 骨格拘束条件拡散モデル(SCCDM)を提案し,骨格ランドマークを利用した足跡評価手法であるKCCを導入する。
  論文  参考訳（メタデータ） (2025-05-13T05:57:15Z)
• Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models [18.167577989282247]
  本稿では,T1強調MRIスキャンから直接FAマップを生成するためのCycleGANに基づくアプローチを提案する。 提案モデルでは,未確認データに基づいて高忠実度マップを作製し,特に腫瘍領域での強靭な性能を示す。
  論文  参考訳（メタデータ） (2025-05-06T16:05:22Z)
• Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
  U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。 腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-20T19:02:41Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
  単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。 提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。 提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
  論文  参考訳（メタデータ） (2021-10-15T06:17:52Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。