論文の概要: Population-Scale Segmentation of Penile Tissue in DIXON MRI using Deep Learning for Quantitative Phenotyping in Male Reproductive Health

• arxiv url: http://arxiv.org/abs/2607.02127v1
• Date: Thu, 02 Jul 2026 13:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.836273
• Title: Population-Scale Segmentation of Penile Tissue in DIXON MRI using Deep Learning for Quantitative Phenotyping in Male Reproductive Health
• Title（参考訳）: 男性生殖医療における深層学習を用いたDIXON MRIにおける陰茎組織の集団分離
• Authors: Jan Ernsting, Gunnar Paul Kordes, Nils Johannaber, Lynn Ogoniak, Wolfgang Roll, Tim Hahn, Alexander Siegfried Busch, Benjamin Risse,
• Abstract要約: 陰茎測定は、男性の生殖と排尿の健康に臨床的に関係している。 陰茎の大きさの定量的評価は、主に外部の長さや周囲の測定に依存している。 マルチチャネルDIXON MRIにおける全ペニス分割のためのディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 33.57702272180195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Penile measurement is clinically relevant across male reproductive and urogenital health, including conditions such as micropenis, congenital and endocrine disorders, and sexual or urinary dysfunction. However, quantitative assessment of penile size has relied mainly on external length or circumference measurements, which are difficult to standardize, sensitive to measurement conditions, and unable to capture the internal portion of the penis. MRI enables volumetric assessment of the whole penis in vivo, but automated segmentation has not previously been established at population scale. Automated whole-organ volumetry would enable high-throughput phenotyping for multi-omics and clinical studies of male reproductive disease. Here, we present a deep learning framework for whole-penis segmentation in multi-channel DIXON MRI. Using a newly curated expert-annotated training dataset ($n = 145$ subjects; $13,050$ annotated slices) and a double-annotated independent test benchmark ($n = 24$ subjects; $2,160$ double-annotated slices), we optimized a 3D nnU-Net architecture. The model achieved a 5-fold cross-validation Dice score of $0.90$ and performed at observer-level accuracy on the independent test set (Dice: $0.92$; Hausdorff distance: $3.58$). We deployed the model in $34,412$ UK Biobank participants, enabling automated quantification of total penile tissue, including both external and internal components. Longitudinal evaluation in 2,282 men demonstrated high inter-session reproducibility ($r = 0.87$). This framework establishes a reproducible and population-scalable method for MRI-based assessment of penile anatomy and provides an open technical resource for future studies in urological imaging and male reproductive health. The trained model weights will be publicly released.
• Abstract（参考訳）: 陰茎測定は、マイクロペニス、先天性および内分泌疾患、性または尿機能障害などの病態を含む、男性の生殖と排尿の健康に臨床的に関係している。 しかし, 陰茎径の定量的評価は外径や周囲の計測に大きく依存しており, 標準化が困難であり, 測定条件に敏感であり, 陰茎の内部部分の捕捉が困難である。 MRIは陰茎全体をin vivoで容積評価できるが、これまで人口規模での自動分割が確立されていなかった。 組織全体の容積の自動化により、マルチオミクスおよび男性生殖疾患の臨床研究のための高スループット表現型化が可能となる。 本稿では,マルチチャネルDIXON MRIにおける全ペニス分割のためのディープラーニングフレームワークを提案する。 新たにキュレートされたエキスパートアノテートトレーニングデータセット(n = 145$ subject; $113,050$ annotated slices)と、ダブルアノテート独立したテストベンチマーク(n = 24$ subjects; $2,160$ double-annotated slices)を使用して、3D nnU-Netアーキテクチャを最適化しました。 このモデルは5倍のクロスバリデーションDiceスコアが0.90$に達し、独立したテストセットでオブザーバーレベルの精度で実行された(Dice:$0.92$; Hausdorff distance: $3.58$)。 このモデルを英国バイオバンク(Biobank)の参加者34,412ドル(約3万4000円)で展開し、外部コンポーネントと内部コンポーネントの両方を含むペニス組織全体の自動定量化を可能にしました。 2,282人の男性を対象に縦断的評価を行い,高いセッション間再現性(r = 0.87$)を示した。 この枠組みは、MRIによる陰茎解剖評価のための再現可能で人口計算可能な方法を確立し、尿路画像学および男性の生殖健康に関する将来の研究にオープンな技術資源を提供する。 訓練されたモデルの重量は公開されます。

関連論文リスト

• 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)
• Towards Population Scale Testis Volume Segmentation in DIXON MRI [36.99701512096226]
  本稿では,英国ビオバンクの磁気共鳴イメージングデータを用いて,精巣体積のセグメンテーション法の評価を行った。 最適なモデルでは、平均的なダイススコアが0.87ドルであり、同じデータセット上で人間の相互信頼度が0.83ドルであるのに対して、中央のダイススコアが0.83ドルである。
  論文  参考訳（メタデータ） (2024-10-30T10:03:55Z)
• Rethinking Abdominal Organ Segmentation (RAOS) in the clinical scenario: A robustness evaluation benchmark with challenging cases [18.908677670131276]
  RAOSデータセットは、17例(男性)または19例(男性)のラベル付き臓器を持つ413例のCT413例からなる。 1) 診断・放射線療法(第317巻), 2) 全臓器欠損のない部分切除(第22巻), 3) 全臓器欠失を伴う部分切除(第74巻)に分類した。 RAOSは臓器幻覚を含むモデルの堅牢性を評価するための潜在的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-06-19T16:23:42Z)
• Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of Articulated Motion [48.52403516006036]
  本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。 この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。 いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
  論文  参考訳（メタデータ） (2022-08-10T15:39:20Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction [0.0]
  本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。 ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。 CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
  論文  参考訳（メタデータ） (2021-01-08T22:59:30Z)
• Surrogate-free machine learning-based organ dose reconstruction for pediatric abdominal radiotherapy [0.19359975080269876]
  最先端の手法は3Dサロゲート解剖学を用いてこれを達成している。 機械学習(ML)に基づくサロゲートフリー線量再構成手法の提案と検証 新たなMLベースの臓器ドレナージ法は,サロゲートのセットアップがもはや不要であるため,精度だけでなく効率も向上する。
  論文  参考訳（メタデータ） (2020-02-17T04:19:01Z)

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。