Fugu-MT 論文翻訳(概要): Deep Learning-Based Airway Segmentation in Systemic Lupus Erythematosus Patients with Interstitial Lung Disease (SLE-ILD): A Comparative High-Resolution CT Analysis

論文の概要: Deep Learning-Based Airway Segmentation in Systemic Lupus Erythematosus Patients with Interstitial Lung Disease (SLE-ILD): A Comparative High-Resolution CT Analysis

arxiv url: http://arxiv.org/abs/2603.17547v1
Date: Wed, 18 Mar 2026 09:52:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-19 18:32:57.623519
Title: Deep Learning-Based Airway Segmentation in Systemic Lupus Erythematosus Patients with Interstitial Lung Disease (SLE-ILD): A Comparative High-Resolution CT Analysis
Title（参考訳）: 間質性肺疾患を有する全身性エリテマトーデス(SLE-ILD)患者の深層学習による気道分画 : 高分解能CTによる検討
Authors: Sirong Piao, Ying Ming, Ruijie Zhao, Jiaru Wang, Ran Xiao, Rui Zhao, Zicheng Liao, Qiqi Xu, Shaoze Luo, Bing Li, Lin Li, Zhuangfei Ma, Fuling Zheng, Wei Song,
Abstract要約: 気道構造を自動的にロバールレベルとセグメントレベルに分割するために,HRCTを介してカスタマイズされたディープラーニングフレームワークを開発した。 R1(p16)、R3(p38)、L3(p38)などの部位で有意な差がみられ、肺上層部では最も顕著な変化が見られた。このAIを利用した定量的イメージングバイオマーカーは、SLE人口におけるILDの早期検出とモニタリングを強化することを約束している。
参考スコア（独自算出の注目度）: 11.29061273282955
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: To characterize lobar and segmental airway volume differences between systemic lupus erythematosus (SLE) patients with interstitial lung disease (ILD) and those without ILD (non-ILD) using a deep learning-based approach on non-contrast chest high-resolution CT (HRCT). Methods: A retrospective analysis was conducted on 106 SLE patients (27 SLE-ILD, 79 SLE-non-ILD) who underwent HRCT. A customized deep learning framework based on the U-Net architecture was developed to automatically segment airway structures at the lobar and segmental levels via HRCT. Volumetric measurements of lung lobes and segments derived from the segmentations were statistically compared between the two groups using two-sample t-tests (significance threshold: p < 0.05). Results: At lobar level, significant airway volume enlargement in SLE-ILD patients was observed in the right upper lobe (p=0.009) and left upper lobe (p=0.039) compared to SLE-non-ILD. At the segmental level, significant differences were found in segments including R1 (p=0.016), R3 (p<0.001), and L3 (p=0.038), with the most marked changes in the upper lung zones, while lower zones showed non-significant trends. Conclusion: Our study demonstrates that an automated deep learning-based approach can effectively quantify airway volumes on HRCT scans and reveal significant, region-specific airway dilation in patients with SLE-ILD compared to those without ILD. The pattern of involvement, predominantly affecting the upper lobes and specific segments, highlights a distinct topographic phenotype of SLE-ILD and implicates airway structural alterations as a potential biomarker for disease presence. This AI-powered quantitative imaging biomarker holds promise for enhancing the early detection and monitoring of ILD in the SLE population, ultimately contributing to more personalized patient management.
Abstract（参考訳）: 非造影胸高分解能CT(HRCT)に対する深層学習に基づくアプローチを用いて、間質性肺疾患(ILD)を有する全身性エリテマトーデス(SLE)患者とILD(非ILD)のない患者との違いを特徴付ける。方法】HRCTを施行した106例(SLE-ILD27例,SLE-non-ILD79例)の振り返り分析を行った。 U-Netアーキテクチャに基づくカスタマイズされたディープラーニングフレームワークを開発した。肺葉および分節の体積測定は,2サンプルt-testを用いて2群間で統計的に比較した(有意値:p < 0.05)。結果: 右上葉 (p=0.009) と左上葉 (p=0.039) では, SLE-non-ILD (SLE-非ILD) と比較して, SLE-ILD は有意な気道容積増大を認めた。その結果,R1 (p=0.016), R3 (p<0.001), L3 (p=0.038) などの部分で有意な差がみられた。結論: 本研究は, HRCTスキャンにおいて, 自動深層学習による気道容積の定量化が可能であること, SLE-ILD 患者において ILD 患者と比較して, 地域別気道拡張を有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な有意な効果を示した。主に上葉と特定の部分に影響を与えるこの関与パターンは、SLE-ILDの異なる地形表現型を強調し、気道構造の変化を疾患の存在の潜在的なバイオマーカーとして含んでいる。このAIを利用した定量的イメージングバイオマーカーは、SLE人口におけるILDの早期検出とモニタリングを強化することを約束しており、最終的にはよりパーソナライズされた患者管理に寄与する。

関連論文リスト

FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文参考訳（メタデータ） (2025-08-24T11:03:56Z)
Deep learning-driven pulmonary artery and vein segmentation reveals demography-associated vasculature anatomical differences [17.604980531718542]
非造影CTおよび肺動脈造影(CTA)におけるHiPaS(Hi-abundant lung artery-vein)の有用性精巧な手書きアノテーションを用いた1,073CTボリュームのHiPaSを,確立した多中心データセット上で訓練し,検証した。
論文参考訳（メタデータ） (2024-04-11T12:06:50Z)
Generalizability of Deep Adult Lung Segmentation Models to the Pediatric Population: A Retrospective Study [3.083972552471178]
胸部X線(CXRs)の肺分画は心肺疾患の診断の特異性を改善する重要な前提条件である。現在の肺分画の深層学習モデルはCXRデータセットを用いて訓練され評価され、X線投影は成体から主に捉えられる。肺の形状は幼少期から成人期にかけて大きく異なることが報告されている。
論文参考訳（メタデータ） (2022-11-04T14:06:51Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文参考訳（メタデータ） (2020-07-29T10:40:39Z)
Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文参考訳（メタデータ） (2020-05-27T23:12:11Z)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
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)

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。