論文の概要: BoneAgeTW2: Automated Skeletal Maturation Assessment via the Tanner-Whitehouse 2 Method, Deep Learning, and Clinical Report Generation with Distribution Curves
- arxiv url: http://arxiv.org/abs/2607.23224v1
- Date: Sat, 25 Jul 2026 14:23:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.032584
- Title: BoneAgeTW2: Automated Skeletal Maturation Assessment via the Tanner-Whitehouse 2 Method, Deep Learning, and Clinical Report Generation with Distribution Curves
- Title（参考訳）: BoneAgeTW2:Tanner-Whitehouse 2法による自動骨格成熟度評価,ディープラーニング,および分布曲線による臨床報告生成
- Abstract要約: 骨格成熟度をエンドツーエンドに評価するためのTanner-Whitehouse 2 (TW2) クリニカルプロトコルを完全自動化した最初の完全オープンソースシステムである BoneAgeTW2 を提案する。
このシステムは、X線画像から20個のTW2ハンド骨を正確に検出および位置決めするためにYOLOv8と、20個の独立した分類ヘッドを持つEfficientNet-B3バックボーンを使用して、各骨に成熟段階(A-I)を同時に割り当てる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present BoneAgeTW2, the first fully open-source system to automate the complete Tanner-Whitehouse 2 (TW2) clinical protocol for skeletal maturity assessment end-to-end. The system employs YOLOv8 for precise detection and localization of the 20 TW2 hand bones from radiographic images, and an EfficientNet-B3 backbone with 20 independent classification heads to assign maturation stages (A-I) to each bone simultaneously. From these predictions, the system automatically generates clinical PDF reports including interactive Gaussian distribution curves for all 20 bones, enabling direct comparison with population norms. The model is trained on the public RSNA Pediatric Bone Age Challenge dataset (12,611 hand radiographs) using a pseudo-labeling strategy to derive per-bone stage labels from global bone age annotations. The full codebase is publicly available at https://github.com/jmmana/BoneAgeTW2.
- Abstract（参考訳）: 骨格成熟度をエンドツーエンドに評価するためのTanner-Whitehouse 2 (TW2) クリニカルプロトコルを完全自動化した最初の完全オープンソースシステムである BoneAgeTW2 を提案する。
このシステムは、X線画像から20個のTW2ハンド骨を正確に検出および位置決めするためにYOLOv8と、20個の独立した分類ヘッドを持つEfficientNet-B3バックボーンを使用して、各骨に成熟段階(A-I)を同時に割り当てる。
これらの予測から,本システムは,全20骨に対する対話型ガウス分布曲線を含む臨床PDFレポートを自動生成し,集団標準との直接比較を可能にする。
このモデルは、グローバルな骨年齢アノテーションから骨ごとのラベルを導出するための擬似ラベル戦略を用いて、RSNA小児骨年齢チャレンジデータセット(12,611ハンドラジオグラフ)で訓練されている。
完全なコードベースはhttps://github.com/jmmana/BoneAgeTW2で公開されている。
関連論文リスト
- Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI [3.652509571098291]
ボリューム脳MRIのための自己教師型フレームワークであるCOJEPAを提案する。
共同埋め込み予測アーキテクチャ(JEPA)とコントラスト損失(CO)を組み合わせることで、局所的な予測性とグローバルな差別性という2つの相補的な特性をターゲットにしている。
論文 参考訳（メタデータ） (2026-07-12T10:48:13Z) - Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - A two-stream network with global-local feature fusion for bone age assessment [4.471820141535545]
本研究では,2ストリームの深層学習アーキテクチャに基づく骨年齢自動評価システムの開発を目的とする。
グローバルな特徴抽出チャネルとローカルな特徴抽出チャネルを組み合わせたBoNet+モデルを提案する。
提案手法は,北米放射線学会 (RSNA) とRHPE (Radiological Hand Pose Estimation) テストデータセットで検証されている。
論文 参考訳（メタデータ） (2025-12-20T11:56:21Z) - Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI [0.7330217643497285]
本稿では,解剖ラベルの限られたデータセットから学習するSAP(Supervised Anatomical Pretraining)法を提案する。
SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。
1ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。
論文 参考訳（メタデータ） (2025-06-24T12:59:44Z) - 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) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence
Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。
本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。
我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文 参考訳（メタデータ） (2023-07-17T13:33:11Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - An Unsupervised Deep-Learning Method for Bone Age Assessment [4.227079957387361]
骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。
本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。
北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
論文 参考訳（メタデータ） (2022-06-12T02:31:36Z) - Joint-bone Fusion Graph Convolutional Network for Semi-supervised
Skeleton Action Recognition [65.78703941973183]
本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。
具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。
自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
論文 参考訳（メタデータ） (2022-02-08T16:03:15Z) - Doctor Imitator: Hand-Radiography-based Bone Age Assessment by Imitating
Scoring Methods [16.48267479601728]
我々は,Dr. Imitator (DI) と呼ばれる手指X線写真を用いた骨年齢評価のための新しいグラフベース深層学習フレームワークを提案する。
DDIは,手形画像における解剖学的関心領域(ROI)の局所的特徴を捉え,提案したグループ・コンボリューションによるROIスコアを予測する。
さらに、患者固有のROI特徴に対する注意度とROIスコアに対する文脈注意度を計算するための、新しいデュアルグラフベースのアテンションモジュールを開発した。
論文 参考訳（メタデータ） (2021-02-10T13:45:39Z) - Improve bone age assessment by learning from anatomical local regions [18.6439159025423]
本稿では,解剖学的局所認識ネットワーク(ALA-Net)と呼ばれる骨年齢自動評価モデルを提案する。
我々のモデルは解剖学的ROIを検出し、骨年齢をエンドツーエンドに推定することができる。
論文 参考訳（メタデータ） (2020-05-27T16:08:30Z)
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。