論文の概要: Benchmarking Deep Learning for Future Liver Remnant Segmentation in Colorectal Liver Metastasis

• arxiv url: http://arxiv.org/abs/2604.07999v1
• Date: Thu, 09 Apr 2026 09:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.823301
• Title: Benchmarking Deep Learning for Future Liver Remnant Segmentation in Colorectal Liver Metastasis
• Title（参考訳）: 大腸癌肝転移における肝残肝分画のベンチマーク・ディープ・ラーニング
• Authors: Anthony T. Wu, Arghavan Rezvani, Kela Liu, Roozbeh Houshyar, Pooya Khosravi, Whitney Li, Xiaohui Xie,
• Abstract要約: 大腸癌肝転移の手術計画には,肝残肝の正確な分節化が重要である。 私たちはこのタスクのための最初のオープンソースの検証済みのベンチマークを作成します。 STU-Netは優れたCRLMセグメンテーション(0.620Dice)を提供する一方、カスケードされたnnU-Netは最高の最終FLRセグメンテーションDice(0.767)を達成する。
• 参考スコア（独自算出の注目度）: 6.007287695190185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of the future liver remnant (FLR) is critical for surgical planning in colorectal liver metastases (CRLM) to prevent fatal post-hepatectomy liver failure. However, this segmentation task is technically challenging due to complex resection boundaries, convoluted hepatic vasculature and diffuse metastatic lesions. A primary bottleneck in developing automated AI tools has been the lack of high-fidelity, validated data. We address this gap by manually refining all 197 volumes from the public CRLM-CT-Seg dataset, creating the first open-source, validated benchmark for this task. We then establish the first segmentation baselines, comparing cascaded (Liver->CRLM->FLR) and end-to-end (E2E) strategies using nnU-Net, SwinUNETR, and STU-Net. We find a cascaded nnU-Net achieves the best final FLR segmentation Dice (0.767), while the pretrained STU-Net provides superior CRLM segmentation (0.620 Dice) and is significantly more robust to cascaded errors. This work provides the first validated benchmark and a reproducible framework to accelerate research in AI-assisted surgical planning.
• Abstract（参考訳）: 肝切除後肝不全に対する大腸癌肝転移(CRLM)の外科的計画にはFLRの正確なセグメンテーションが重要である。 しかし, この分節は, 複雑な切除境界, 肝血管, びまん性転移性病変が原因で, 技術的に困難である。 自動化AIツールの開発における主要なボトルネックは、高忠実で検証されたデータの欠如である。 このギャップに対処するために、パブリックCRLM-CT-Segデータセットから197巻を手作業で修正し、このタスクのための最初のオープンソース検証ベンチマークを作成します。 次に, nnU-Net, SwinUNETR, STU-Netを用いたカスケード(Liver->CRLM->FLR)とエンド・ツー・エンド(E2E)戦略を比較し, 最初のセグメンテーションベースラインを確立する。 STU-Netは優れたCRLMセグメンテーション(0.620Dice)を提供し、カスケードエラーに対してはるかに堅牢である。 この研究は、AI支援外科計画の研究を加速する最初の検証済みのベンチマークと再現可能なフレームワークを提供する。

関連論文リスト

• An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI [0.8571977422745714]
  術後肝転移生存予測のためのAIベースの自動フレームワークを提案する。 我々は、解剖学的に認識されたセグメンテーションパイプラインと放射能パイプラインからなる生存予測フレームワークを開発した。 本研究は,放射能を用いた生存分析とセグメンテーションアルゴリズムの統合の可能性を示す。
  論文  参考訳（メタデータ） (2026-03-10T20:34:24Z)
• FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.507779218329283]
  網膜血管の分節は独特の課題を呈する。 最近のニューラルネットワークアプローチは、ローカルとグローバルプロパティのバランスをとるのに苦労している。 エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく包括的マイクロ容器抽出機構を提案する。
  論文  参考訳（メタデータ） (2023-11-14T10:32:17Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Scheduling Techniques for Liver Segmentation: ReduceLRonPlateau Vs OneCycleLR [0.0]
  Task 8 Hepatic Vessel (MSDC-T8)と呼ばれるデータセットがテストと検証に使用されている。 その結果、ReduceeLRonPlateauは、OneCycleLRと比較して、検証セットにおける同様の、あるいはそれ以上の損失スコアを維持しながら、より早く収束することがわかった。
  論文  参考訳（メタデータ） (2022-02-13T17:52:49Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。