Fugu-MT 論文翻訳(概要): Promise and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation: a feasibility study

論文の概要: Promise and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation: a feasibility study

arxiv url: http://arxiv.org/abs/2606.23879v1
Date: Mon, 22 Jun 2026 19:26:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:16:48.642327
Title: Promise and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation: a feasibility study
Title（参考訳）: 造影画像を用いた非造影CT検査における心臓室分画の約束と課題 : 実現可能性の検討
Authors: Jing Wang, Tong Yu, Hao-En Lu, Zixue Zeng, Joseph K. Leader, Xin Meng, Jianbing Zhu, Jiantao Pu,
Abstract要約: We developed ChameleonNet, a framework using the Contrastive Unpaired Translation (CUT) network with decoupled contrastive learning (DCL)。コントラストCT画像から非コントラスト画像の合成を行った。 Dice-C 係数 (DSC) と類似性および誤差係数 (MPE) を用いて評価した。
参考スコア（独自算出の注目度）: 11.94439033459444
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: To evaluate the feasibility and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation and deep learning-based segmentation. Approach: We developed ChameleonNet, a framework utilizing the Contrastive Unpaired Translation (CUT) network with decoupled contrastive learning (DCL) loss to synthesize non-contrast CT from contrast CT scans. Using annotations of four heart chambers (left atrium (LA), left ventricle (LV), right atrium (RA), and right ventricle (RV)) from contrast scans, we trained a Hausdorff distance loss-enhanced nnU-Net on synthesized non-contrast images. The translation model was trained with 35,538 contrast-enhanced and 37,197 non-contrast CT slices. The segmentation model was trained with 292 synthesized non-contrast scans. Performance was evaluated using Dice similarity coefficient (DSC) and 95th Hausdorff distance (HD95) on 36 synthesized non-contrast scans, and volume agreement on 36 real non-contrast CT scans was assessed using Pearson correlation, mean absolute percentage error (MAPE), and mean percentage error (MPE). Results: The segmentation model achieved DSC of 0.94 (0.01), 0.91 (0.04), 0.92 (0.03), 0.93 (0.02), and HD95 of 3.63 (1.49), 5.74 (4.08), 5.18 (1.77), 5.51 (3.21) mm on synthesized non-contrast images for LA, LV, RA, and RV, respectively. On real non-contrast CT scans, Pearson correlations were 0.93, 0.82, 0.87, and 0.89 (all p<0.001), with MAPE ranging from 9.22% to 20.79%, and MPE ranging from -12.52% to 4.67%. Conclusions: ChameleonNet demonstrated feasibility for heart chamber segmentation from non-contrast CT without manual non-contrast annotations. However, volume errors, particularly for LV and RV, indicate that further refinement and validation are needed before clinical use.
Abstract（参考訳）: 目的: コントラストのない画像翻訳と深層学習に基づくセグメンテーションを用いた非コントラストCTスキャンによる心臓室セグメンテーションの実現可能性と課題を評価すること。アプローチ: コントラストCTスキャンから非コントラストCTを合成するために, コントラスト非ペアド翻訳(CUT)ネットワークとデカップリングコントラスト学習(DCL)損失を利用したChameleonNetを開発した。左房 (LA), 左心室 (LV), 右心室 (RA), 右心室 (RV) の4つを造影CTで診断し, 合成非コントラスト画像上でハウゼンドルフ距離損失増強nnU-Netを訓練した。翻訳モデルは35,538個の造影CTスライスと37,197個の非造影CTスライスで訓練された。セグメンテーションモデルは292個の非コントラストスキャンで訓練された。 Dice similarity coefficient (DSC) and 95th Hausdorff distance (HD95) on 36 synthesisd non-contrast scan, and volume agreement on 36 real non-contrast CT scans was measured using Pearson correlation, mean absolute percentage error (MAPE), and mean percentage error (MPE)。結果: このセグメンテーションモデルは, LA, LV, RA, RVの合成非コントラスト画像上でそれぞれ0.94 (0.01), 0.91 (0.04), 0.92 (0.03), 0.93 (0.02), HD95 (1.49), 5.74 (4.08), 5.18 (1.77), 5.51 (3.21) mmのDSCを達成した。実際の非造影CTでは、ピアソン相関は0.93、0.82、0.87、0.89(全てp<0.001)であり、MAPEは9.22%から20.79%、MPEは-12.52%から4.67%であった。結論: ChameleonNetは非造影CTから非造影アノテーションなしで心臓室セグメンテーションが可能であった。しかし、特にLVおよびRVのボリュームエラーは、臨床使用前にさらなる改善と検証が必要であることを示唆している。

関連論文リスト

TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文参考訳（メタデータ） (2026-05-15T19:23:35Z)
AI-Assisted Pleural Effusion Volume Estimation from Contrast-Enhanced CT Images [0.0]
Pleuralfusions (PE) は多くの異なる臨床疾患でよく見られる疾患である。 CTスキャンで音量を正確に測定することは難しい。コントラスト強調CTボリュームに基づく半教師付きディープラーニングフレームワークを開発した。
論文参考訳（メタデータ） (2025-10-04T16:06:10Z)
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)
Improved 3D Whole Heart Geometry from Sparse CMR Slices [3.701571763780745]
心臓磁気共鳴法(CMR)とCT法(CT)は、心臓血管疾患の患者を診断するための2つの一般的な非侵襲的画像診断法である。 CMRは通常、複数のスパース2Dスライスを取得し、スライス間には避けられない呼吸運動アーチファクトを持ち、CTは等方性密度データを取得するが、電離放射線を使用する。スライスシフトアルゴリズム(SSA)、空間変換器ネットワーク(STN)、ラベル変換器ネットワーク(LTN)の組み合わせを検討する。
論文参考訳（メタデータ） (2024-08-14T13:03:48Z)
CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文参考訳（メタデータ） (2024-04-23T17:59:01Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Deep learning-based detection of intravenous contrast in computed tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文参考訳（メタデータ） (2021-10-16T00:46:45Z)
CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。実験の結果、CyTranは競合するすべての手法より優れています。
論文参考訳（メタデータ） (2021-10-12T23:25:03Z)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)
A Deep learning Approach to Generate Contrast-Enhanced Computerised Tomography Angiography without the Use of Intravenous Contrast Agents [2.2840399926157806]
我々は,この非コントラスト変換タスク(NC2C)に対して,2次元サイクル生成適応ネットワークを訓練した。このパイプラインは、非コントラストCT画像において、視覚的に非コヒーレントな軟組織領域を区別することができる。
論文参考訳（メタデータ） (2020-03-02T22:20:08Z)

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。