論文の概要: Deep Learning-Based Segmentation of Peritoneal Cancer Index Regions from CT Imaging

• arxiv url: http://arxiv.org/abs/2604.27697v1
• Date: Thu, 30 Apr 2026 10:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.046451
• Title: Deep Learning-Based Segmentation of Peritoneal Cancer Index Regions from CT Imaging
• Title（参考訳）: CT画像からの深層学習に基づく腹膜癌指数領域の分離
• Authors: Pieter C. Gort, Lotte J. S. Ewals, Marion W. Tops-Welten, Cris H. B. Claessens, Joost Nederend, Fons van der Sommen,
• Abstract要約: 腹膜転移の診断には腹腔鏡が有用である。 放射線学的PCI(r PCI)を促進する3次元領域の定義に関する最近のコンセンサス研究 本稿では,rPCI領域をCT上に自動的に分割する深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 4.122270062114755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peritoneal metastases are currently assessed using diagnostic laparoscopy to determine Sugarbaker's Peritoneal Cancer Index (sPCI), which works by dividing the abdomen into 13 regions and scoring each region based on tumor size. A recent consensus study defined 3D regions to facilitate a radiological PCI (rPCI), providing standardized anatomical regions for imaging-based assessment. Despite its clinical value, sPCI is invasive and lacks a standardized imaging counterpart. In this study, we propose a deep learning-based approach to automatically segment the rPCI regions on CT. We evaluate nnU-Net and Swin UNETR on 62 CT scans with rPCI regions manually annotated by three clinical researchers and validated by two expert radiologists. Performance was assessed using five-fold cross-validation with the Dice Similarity Coefficient (Dice), 95th percentile Hausdorff distance and Average Surface Distance. nnU-Net achieved an overall Dice of 0.82, approaching interobserver agreement (0.88) and outperforming Swin UNETR (0.76), with remaining challenges primarily in right flank and small-bowel regions. These results demonstrate feasibility of automated rPCI segmentation, laying the foundation for non-invasive, imaging-based assessment.
• Abstract（参考訳）: 現在腹膜転移は診断用腹腔鏡を用いて評価されており、腹部を13の領域に分割し、腫瘍の大きさに基づいて各領域を評価するシュガーベーカーの腹膜癌指数(sPCI)を決定する。 最近のコンセンサス研究は、放射線学的PCI(rPCI)を促進するために3D領域を定義し、画像に基づく評価のための標準化された解剖学的領域を提供する。 臨床的価値はあるものの、sPCIは侵襲的であり、標準化されたイメージングに欠ける。 本研究では,CT上のrPCI領域を自動的に分割する深層学習手法を提案する。 rPCI領域の62個のCTでnnU-NetとSwin UNETRの評価を行った。 The Dice similarity Coefficient (Dice), 95th percentile Hausdorff distance and Average Surface Distance。 nnU-Netは、サーバ間契約(0.88)に近づき、Swin UNETR(0.76)を上回り、主に右翼と小口径の領域に課題を残した。 これらの結果から, 自動rPCIセグメンテーションの実現可能性を示し, 非侵襲的画像ベースアセスメントの基礎を築いた。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• A Second-Order Attention Mechanism For Prostate Cancer Segmentation and Detection in Bi-Parametric MRI [1.8479558716666358]
  本研究は,csPCaの病変を検出するために,専用セグメンテーションネットワークをスキップ接続を介してガイドする2階幾何学的注意(SOGA)機構を導入する。 提案機構は標準のU-NetとnnU-Netのバックボーンに統合され、PI-CAIデータセットで検証された。
  論文  参考訳（メタデータ） (2025-11-07T23:07:19Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
  目的は前立腺がんの検出と診断のワークフローを改善することである。 最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
  論文  参考訳（メタデータ） (2023-08-09T01:38:58Z)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography [0.0]
  早期発見は膵管腺癌(PDAC)の予後を改善する 現在のモデルでは、小さな(2cm)病変の特定に失敗している。 深層学習モデルを用いてPDAC検出のための自動フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-11-30T13:59:46Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)

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。