論文の概要: LegSegNet: A Public Deep Learning System for Lower Extremity CT Tissue Segmentation and Quantification

• arxiv url: http://arxiv.org/abs/2605.30829v1
• Date: Fri, 29 May 2026 04:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.385749
• Title: LegSegNet: A Public Deep Learning System for Lower Extremity CT Tissue Segmentation and Quantification
• Title（参考訳）: LegSegNet:下肢CT組織分画と定量化のための公開ディープラーニングシステム
• Abstract要約: LegSegNetは下肢CT組織分画と体組成定量化のためのディープラーニングシステムである。 入力CTスキャンにより、LegSegNetは骨、骨格筋、皮下脂肪組織、および筋内脂肪組織を分離する。 LegSegNetは、ホールドアウトテストセットの平均Diceスコア89.31で、全体的なセグメンテーションのパフォーマンスを最高のものにしている。
• 参考スコア（独自算出の注目度）: 9.556625323268959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lower extremity computed tomography (CT) contains clinically relevant information for body composition analysis, sarcopenia assessment, and musculoskeletal disease monitoring, but extracting these measurements at scale requires accurate tissue segmentation and an automated quantification workflow. Existing public segmentation tools are not designed for comprehensive lower extremity CT analysis, particularly for clinically important inter/intramuscular adipose tissue, and most public methods only provide mask prediction rather than an end-to-end quantification system. To address this problem, we present LegSegNet, a deep learning system for lower extremity CT tissue segmentation and body composition quantification. Given an input CT scan, LegSegNet segments bone, skeletal muscle, subcutaneous adipose tissue, and inter/intramuscular adipose tissue. It then computes quantitative tissue measurements for downstream analysis. We developed the segmentation model using 1,302 manually annotated CT slices and evaluated it on 900 held-out test slices, with all annotations reviewed by radiologists. We benchmark LegSegNet against a broad set of 2D segmentation methods, including CNN-based models, transformer-based models, and finetuned foundation models, and further evaluate its generalization on an external public CT dataset. LegSegNet achieves the best overall segmentation performance, with an average Dice score of 89.31 on the held-out test set. To our knowledge, LegSegNet is the first publicly available end-to-end system for lower extremity CT tissue segmentation and quantification, providing a practical evaluation tool for future computer vision research in medical image analysis. The code and model weights are available at: https://github.com/mazurowski-lab/LegSegNet
• Abstract（参考訳）: 下肢CT(lower extremity Computed tomography)は、身体組成分析、サルコニア評価、筋骨格疾患モニタリングのための臨床情報を含むが、これらの測定を大規模に抽出するには、正確な組織分画と自動定量化ワークフローが必要である。 既存の公共セグメンテーションツールは、特に臨床的に重要な細胞間/筋肉間脂肪組織のための包括的下肢CT解析のために設計されておらず、ほとんどの公開方法は、エンドツーエンドの定量化システムよりもマスク予測のみを提供する。 この問題に対処するために,下肢CT組織分割と体組成定量化のための深層学習システムLegSegNetを提案する。 入力CTスキャンにより、LegSegNetは骨、骨格筋、皮下脂肪組織、および筋内脂肪組織を分離する。 その後、下流分析のための定量的組織計測を計算する。 1,302個の手書きCTスライスを用いてセグメンテーションモデルを構築し,900個のホールドアウトテストスライスで評価した。 我々は、CNNベースモデル、トランスフォーマーベースモデル、微調整基礎モデルを含む幅広い2Dセグメンテーション手法に対してLegSegNetをベンチマークし、その一般化を外部の公開CTデータセット上でさらに評価する。 LegSegNetは、ホールドアウトテストセットにおける平均Diceスコア89.31で、全体的なセグメンテーションのパフォーマンスを最高のものにしている。 我々の知る限り、LegSegNetは、CT組織分画と定量化の低いエンド・ツー・エンドシステムとして初めて公開されており、将来の医用画像解析におけるコンピュータビジョン研究のための実用的な評価ツールを提供する。 コードとモデルの重み付けは、https://github.com/mazurowski-lab/LegSegNet.comで入手できる。

関連論文リスト

• Statistical Hand Shape Modeling from Clinical CT Scans Using Deep Learning and Implicit Skinning [0.0]
  本研究では, 1,271 elbow-to-hand (e2h-CT) CTから手解剖を抽出・解析するためのAI支援再建パイプラインを提案する。 Pix2Pixベースの条件生成対向ネットワークは、まず、CTボリュームからプラスターキャストとバックグラウンドアーティファクトを除去するために使用される。 分割された骨メッシュは骨格の表現を構築するために使用され、暗黙のスキニングによってすべてのハンドモデルを標準化された解剖学的構成に整列させることができる。
  論文  参考訳（メタデータ） (2026-05-16T13:00:34Z)
• SAMe: A Semantic Anatomy Mapping Engine for Robotic Ultrasound [60.64817443833982]
  本稿では,ロボット超音波に解剖学的先行層を明示する意味解剖マッピングエンジンSAMeを提案する。 SAMeはスキャン開始をターゲット・トゥ・アノプティ・トゥ・アクションのプロセスとして扱う。 単一の外部画像から、接地対象に対する患者固有の解剖学的表現をインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-28T13:44:09Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Automated Muscle and Fat Segmentation in Computed Tomography for Comprehensive Body Composition Analysis [13.839714715661438]
  我々は,CTの身体組成分析に特化して,一般にアクセス可能なエンドツーエンドのセグメンテーションと特徴計算モデルを提案する。 本モデルでは, 胸部, 腹部, 骨盤領域における骨格筋, 皮下脂肪組織 (SAT) , 内臓脂肪組織 (VAT) の分画を行う。 また、筋肉密度、内臓-皮下脂肪比(SAT/SAT)、筋肉面積/体積、骨格筋指数(SMI)など、様々な身体組成指標も提供する。
  論文  参考訳（メタデータ） (2025-02-13T21:27:10Z)
• 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)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• Assignment Flow for Order-Constrained OCT Segmentation [0.0]
  網膜層厚の同定は、患者ごとに個別に行う重要な課題である。 自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。 我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-10T01:57:53Z)

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。