論文の概要: Reducing Annotation Burden for Femoral Cartilage Segmentation in Knee MRI via Cross-Sequence Transfer Learning
- arxiv url: http://arxiv.org/abs/2605.09067v1
- Date: Sat, 09 May 2026 17:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.054147
- Title: Reducing Annotation Burden for Femoral Cartilage Segmentation in Knee MRI via Cross-Sequence Transfer Learning
- Title（参考訳）: 交叉移行学習による膝関節MRIにおける大腿骨軟骨分節に対するアノテーションバーデンの短縮
- Abstract要約: 変形性膝関節症イニシアチブ(OAI)507DESS画像に対する2次元U-Netの最適化を行った。
被験者レベルのクロスバリデーションを用いた同系列のベースラインを構築した。
病変効果は両側のMann-Whitney U試験で評価された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: To develop and evaluate cross-sequence transfer learning for automatic femoral cartilage segmentation, testing bidirectional transfer between dual-echo steady-state (DESS) and sagittal proton density-weighted 3D fast spin-echo (Cube) sequences. Materials and Methods: We optimized a modified 2D U-Net on 507 DESS images from the Osteoarthritis Initiative (OAI). We then established same-sequence baselines using subject-level cross-validation on a subset of 44 OAI DESS images and 44 Cube images acquired at the Istituto Ortopedico Rizzoli, Bologna, Italy. Each subset included 22 non-lesioned and 22 lesioned subjects. Finally, we performed transfer learning across sequences by fine-tuning the pretrained models on the target sequence with increasing training set sizes to study convergence, while keeping validation and test sets fixed. Segmentations were evaluated using Dice similarity coefficient (DSC) and average surface distance (ASD). Lesion effects were assessed with two-sided Mann-Whitney U tests with Bonferroni correction. Results: Same-sequence training yielded higher accuracy on DESS than Cube (DSC, $0.900$ vs $0.830$; $P < .001$). Cube-to-DESS transfer matched DESS performance (DSC, $0.903 \pm 0.032$ vs $0.900 \pm 0.027$), reaching a performance plateau at 9 training subjects. DESS-to-Cube yielded a lower combined DSC ($0.802 \pm 0.049$ vs $0.830 \pm 0.042$), reaching a plateau at 24 training subjects. Lesions did not affect DESS ($P \ge .39$) but reduced Cube accuracy (DSC, $0.805$ vs $0.856$; $P < .001$). Conclusion: Transfer learning across sequences can substantially reduce target-sequence annotation requirements for femoral cartilage segmentation, but performance is direction- and sequence-dependent, and the effects of lesions on segmentation may vary across MRI sequences.
- Abstract（参考訳）: 目的: 自動大腿骨軟骨セグメンテーションのためのクロスシーケンストランスファー学習を開発し, 評価するために, デュアルエコ定常状態(DESS)とサジタルプロトン密度重み付き3次元高速スピンエコ(Cube)配列間の双方向トランスファー試験を行った。
材料と方法: 変形型2次元U-NetをOAIによる507DESS画像に最適化した。
イタリア・ボローニャの Istituto Ortopedico Rizzoli で取得した44 OAI DESS 画像と44 Cube 画像のサブセットを用いて、被験者レベルのクロスバリデーションを用いて、同系列のベースラインを構築した。
各サブセットは22名, 病変22名であった。
最後に、トレーニングセットのサイズを拡大し、トレーニングセットのサイズを微調整し、検証とテストセットの固定を保ちながら、シーケンス間の転送学習を行った。
Dice similarity coefficient (DSC) と平均表面距離 (ASD) を用いてセグメンテーションを評価した。
病変効果を両側マン・ホイットニーU試験とボンフェロニ補正で評価した。
結果: DESS では DESS よりも高い精度 (DSC,$0.900$ vs $0.830$; $P < .001$) を得た。
キューブからDESSへの転送はDESSのパフォーマンス(DSC、$0.903 \pm 0.032$対$0.900 \pm 0.027$)と一致し、9科目でパフォーマンス高原に達した。
DESS-to-Cube は DSC (0.802 \pm 0.049$対$0.830 \pm 0.042$) を下限とし、24の訓練科目で台地に達した。
病変はDESS(P \ge .39$)には影響しなかったが、キューブの精度を低下させた(DSC, $0.805$ vs $0.856$; $P < .001$)。
結論: シークエンス横断学習は, 大腿骨軟骨分節に対する目標系列アノテーションの要求を著しく低減するが, パフォーマンスは方向性とシーケンス依存であり, 病変の分節に対する影響はMRIのシーケンスによって大きく異なる可能性がある。
関連論文リスト
- CrossPan: A Comprehensive Benchmark for Cross-Sequence Pancreas MRI Segmentation and Generalization [15.982441239969354]
CrossPanは、3つの通常の取得シーケンスにわたる1,386の3Dスキャンからなるベンチマークである。
Diceを達成するモデルでは、シーケンス間で転送された場合、ドメイン内の0.85以上のスコアがほぼゼロに崩壊する。
半教師付き学習は、安定した強度分布下でのみゲインを提供し、高い組織内変動性を持つ一般化配列では不安定になる。
論文 参考訳（メタデータ） (2026-04-20T20:00:32Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。
本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
論文 参考訳（メタデータ） (2025-10-01T22:19:27Z) - SPINEPS -- Automatic Whole Spine Segmentation of T2-weighted MR images using a Two-Phase Approach to Multi-class Semantic and Instance Segmentation [6.931184815441744]
我々は,T2wMRI画像中の14個の脊髄構造の意味とインスタンスセグメンテーションのためのオープンソースのディープラーニング手法を提案する。
SPIDERデータセット(被験者218名,女性63%)とドイツ国立コホート(被験者1423名,平均53名,女性49%)をトレーニングおよび評価に使用した。
自動生成アノテーションのトレーニングとGNCによる手動修正試験データによる評価では、脊椎では0.900点、椎間板では0.960点、脊椎では0.947点が得られた。
論文 参考訳（メタデータ） (2024-02-26T07:45:14Z) - Self-Training Based Unsupervised Cross-Modality Domain Adaptation for
Vestibular Schwannoma and Cochlea Segmentation [0.2609784101826761]
自己学習に基づく教師なし学習フレームワークを提案する。このフレームワークは,高分解能T2スキャンにおいて,前庭神経ショーノマ(VS)とコクランの自動セグメンテーションを行う。
提案手法は,1) 造影T1スキャンから高分解能T2スキャンへのVS保存コントラスト変換,2) T1スキャンにアノテーションを付加したT2スキャンにおけるトレーニングセグメンテーション,3) 非注釈実T2スキャンにおける擬似ラベルの推測の4段階からなる。
平均Diceスコアと平均Symmetric Surface Distance (ASSD) は0.8570 (0.0705) であった。
論文 参考訳（メタデータ） (2021-09-22T12:04:41Z) - Unpaired cross-modality educed distillation (CMEDL) applied to CT lung
tumor segmentation [4.409836695738518]
我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。
我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
論文 参考訳（メタデータ） (2021-07-16T15:58:15Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z) - 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)
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。