論文の概要: A Two-Stage Deep Learning Framework for Segmentation of Ten Gastrointestinal Organs from Coronal MR Enterography

• arxiv url: http://arxiv.org/abs/2604.17118v1
• Date: Sat, 18 Apr 2026 19:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.343112
• Title: A Two-Stage Deep Learning Framework for Segmentation of Ten Gastrointestinal Organs from Coronal MR Enterography
• Title（参考訳）: 冠動脈MR画像からの10臓器分離のための2段階深達度学習フレームワーク
• Authors: Ashiqur Rahman, Md. Abu Sayed, Md Sharjis Ibne Wadud, Md. Abu Asad Al-Hafiz, Adam Mushtak, Muhammad E. H. Chowdhury,
• Abstract要約: 本研究は,MRE画像からGI構造の臓器特異的セグメンテーションを行うための2段階のディープラーニングフレームワークを提案する。 114 IBD患者の3,195個の冠動脈T2強調HASTEスライスを用いて検討した。 mDSCは88.99%、mIoUは84.76%、mHD95は6.94mmで全ベースラインを上回った。
• 参考スコア（独自算出の注目度）: 4.159580869920157
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of gastrointestinal (GI) organs in magnetic resonance enterography (MRE) is critical for diagnosing inflammatory bowel disease (IBD). However, anatomical variability, class imbalance, and low tissue contrast hinder reliable automation. This study proposes a dual-stage deep learning framework for organ-specific segmentation of GI structures from coronal MRE images to address these challenges. A publicly available MRE dataset of 3,195 coronal T2-weighted HASTE slices from 114 IBD patients was used. Initially, a DenseNet201-UNet++ model generated coarse masks for ROI extraction. A DenseNet121-SelfONN-UNet model was then trained on organ-specific patches. Extensive data augmentation, normalization, five-fold cross-validation, and class-specific weighting were applied to mitigate severe class imbalance, particularly for the appendix. The initial stage achieved strong organ localization but underperformed for the appendix; class weighting improved its DSC from 6.76% to 85.76%. The second-stage DenseNet121-SelfONN-UNet significantly enhanced segmentation across all GI structures, with notable DSC gains (cecum +23.62%, sigmoid +18.57%, rectum +17.99%, small intestine +16.06%). Overall, the framework achieved mDSC of 88.99%, mIoU of 84.76%, and mHD95 of 6.94 mm, outperforming all baselines. This framework demonstrates the effectiveness of a coarse-to-fine, organ-aware segmentation strategy for intestinal MRE. Despite higher computational cost, it shows strong potential for clinical translation and enables anatomically informed diagnostic tools in gastroenterology.
• Abstract（参考訳）: MREは炎症性腸疾患(IBD)の診断に重要である。 しかし、解剖学的変異、クラス不均衡、低組織コントラストは信頼性の高い自動化を妨げる。 本研究では,この課題に対処するために,冠状MRE画像からのGI構造の臓器特異的セグメンテーションのための2段階深層学習フレームワークを提案する。 114例のIBD患者から3,195例のT2強調HASTEスライスを用いたMREデータセットを作成した。 当初、DenseNet201-UNet++モデルはROI抽出のための粗いマスクを生成した。 DenseNet121-SelfONN-UNetモデルは臓器固有のパッチに基づいて訓練された。 著明なデータ増大, 正規化, 5倍のクロスバリデーション, およびクラス固有の重み付けを, 特に虫垂に対する重度のクラス不均衡を軽減するために適用した。 最初の段階では臓器の局在は良好であったが、虫垂では性能が劣り、クラス重み付けによりDSCは6.76%から85.76%に改善された。 第2段階のDenseNet121-SelfONN-UNetはすべてのGI構造のセグメンテーションを著しく強化し、DSCは顕著な増加(cecum +23.62%、sigmoid +18.57%、直腸 +17.99%、小腸 +16.06%)を示した。 全体としては、mDSCは88.99%、mIoUは84.76%、mHD95は6.94mmで全てのベースラインを上回った。 本フレームワークは小腸MREに対する粗大な臓器認識セグメンテーション戦略の有効性を実証する。 高い計算コストにもかかわらず、臨床翻訳の可能性を強く示し、胃腸科学における解剖学的診断ツールを可能にする。

関連論文リスト

• CoAtNeXt:An Attention-Enhanced ConvNeXtV2-Transformer Hybrid Model for Gastric Tissue Classification [1.2891210250935148]
  CoAtNeXtは胃組織像の分類法として提案された。 96.47%の精度、96.60%の精度、96.47%のリコール、96.45%のF1スコア、99.89%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-09-11T08:24:50Z)
• A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT [3.2784582049471505]
  本研究は,深層学習に基づくPCCセグメンテーションを改善する構成を特定するために,解剖学的先行を体系的に評価する。 フェオクロモサイトーマの正確な3次元セグメンテーションのための11のアノテーション戦略を評価するためにnnU-Netフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-07-21T02:35:29Z)
• 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)
• 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)
• MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
  複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。 MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。 このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
  論文  参考訳（メタデータ） (2024-05-09T17:33:09Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• 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)

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。