論文の概要: A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

• arxiv url: http://arxiv.org/abs/2607.11287v1
• Date: Mon, 13 Jul 2026 09:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.40761
• Title: A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation
• Title（参考訳）: 包括的心臓CT分割・診断のための統合フレームワーク:ヒト・イン・ザ・ループデータアノテーション、ビジョン基礎モデル開発、マルチセンター評価および臨床検証
• Authors: Pooya Mohammadi Kazaj, Leo Fridolin Weber, Wen Xie, Seyed Amir Ahmad Safavi-Naini, Anselm Stark, Giovanni Baj, Ali Mokhtari, Toshiya Yoshida, Christoph Ryffel, Taishi Okuno, Yoshihiro Akashi, Ronny R. Buechel, Thomas Pilgrim, Waldo Valenzuela, George C. M. Siontis, Xiaowei Xu, Moritz Hundertmark, Stephan Windecker, Christoph Grani, Isaac Shiri,
• Abstract要約: 本報告では, 総合的心臓CTセグメント化と表現型化のための統合的枠組みについて述べる。 このフレームワークは、ヒト・イン・ザ・ループ(Human-in-the-loop)アノテーションパイプライン、心臓CT拡張技術、および6万個の未ラベルの心臓CTスキャンで事前訓練された自己監督基礎モデルを組み合わせる。
• 参考スコア（独自算出の注目度）: 1.9123391830309318
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Comprehensive quantification of cardiac structures from computed tomography (CT) remains limited not by data availability but by the scalability of measurements, which makes routine use impractical. Here we present a unified framework for comprehensive cardiac CT segmentation and phenotyping that combines a human-in-the-loop annotation pipeline, a cardiac CT augmentation technique, and a self-supervised foundation model pre-trained on 60,000 unlabeled cardiac CT scans. Using this approach, we assembled the largest and most comprehensive expert-annotated cardiac CT segmentation dataset to date, comprising 1598 cases and 14 distinct cardiac structures (1000 for training, 598 for the external test set). Across five external datasets, the framework segmented all structures more accurately and comprehensively than existing open-source tools. Self-supervised pre-training improved labeling efficiency, with the most significant gains observed during external evaluation in the low-data regime. Benchmarking across convolutional, transformer, and state-space architectures showed comparable performance, indicating that data quality and pre-training, rather than architecture, drove accuracy. The framework was scaled to population-level phenotyping, with segmented anatomy that carries functionally relevant information about ventricular function and disease severity beyond demographic variables. By openly releasing the largest dataset with human labels, code, model weights, a CT augmentation library, and software, this work provides a reproducible foundation for opportunistic cardiac phenotyping from routinely acquired CT scans.
• Abstract（参考訳）: CT(Computerd tomography)による心構造の包括的定量化は、データの可用性ではなく、測定のスケーラビリティによって制限されている。 本稿では,ヒト・イン・ザ・ループ・アノテーション・パイプライン,心的CT拡張技術,および6万個の未標識心的CTスキャンで事前訓練した自己監督的基礎モデルを組み合わせた総合的心的心的CTセグメンテーションと表現型化のための統合的枠組みを提案する。 本手法を用いて,1598例と14の異なる心構造(トレーニング1000例,外部テストセット598例)からなる,これまでで最大かつ最も包括的かつ総合的な心組織CTセグメンテーションデータセットを収集した。 5つの外部データセットにまたがって、フレームワークは既存のオープンソースツールよりも、すべての構造を正確かつ包括的に分類した。 自己指導型事前学習ではラベル付け効率が向上し,低データ体制における外部評価において最も有意な改善が見られた。 畳み込み、トランスフォーマー、ステートスペースアーキテクチャのベンチマークは同等のパフォーマンスを示し、データ品質と事前トレーニングがアーキテクチャよりも正確であることを示している。 この枠組みは人口レベルの表現型化に拡張され、人口統計変数を超えて心室機能や疾患の重症度に関する機能的関連情報を伝達する分節解剖学が導入された。 人間のラベル、コード、モデルウェイト、CT増補ライブラリ、ソフトウェアで最大のデータセットをオープンにリリースすることにより、この研究は、日常的に取得されたCTスキャンから高頻度の心臓表現を再現可能な基盤を提供する。

関連論文リスト

• From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation [40.52388056968461]
  我々は,CTに基づくセグメンテーションをシミュレーション可能な心筋メッシュに変換する半自動パイプラインを提案する。 Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。 パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。
  論文  参考訳（メタデータ） (2026-06-29T09:07:05Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• Augmentation-based Domain Generalization and Joint Training from Multiple Source Domains for Whole Heart Segmentation [0.49923266458151416]
  心臓血管疾患は 世界中の死因です 心臓全体を表す重要な心臓構造のセマンティックセグメンテーションは、患者固有の心臓形態と病理を評価するのに有用である。 深層学習に基づく医用画像セグメンテーションの手法は、過去10年間で大きな進歩を遂げた。
  論文  参考訳（メタデータ） (2025-08-06T15:37:22Z)
• CADS: A Comprehensive Anatomical Dataset and Segmentation for Whole-Body Anatomy in Computed Tomography [27.1055374364626]
  我々は,全体CTセグメント化のための異種データソースの体系的統合,標準化,ラベル付けを優先するオープンソースフレームワークであるCADSを提案する。 コアには22,022のCTボリュームの大規模なデータセットがあり、167の解剖学的構造に対する完全なアノテーションがある。 18の公開データセットと独立した実世界の病院コホートを包括的に評価することにより、SoTAアプローチに対するアドバンテージを実証する。
  論文  参考訳（メタデータ） (2025-07-29T19:58:32Z)
• Cardiac-CLIP: A Vision-Language Foundation Model for 3D Cardiac CT Images [29.39287623923477]
  心臓CT画像のための多モード基礎モデルであるCardiac-CLIPを提案する。 CLIPは2段階の事前学習戦略によって開発されている。 CLIPは、心臓血管異常分類、情報検索、臨床分析など、複数のタスクで評価される。
  論文  参考訳（メタデータ） (2025-07-29T17:20:32Z)
• 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)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)

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。