論文の概要: Enhancing Low Back Pain Assessment with Diffusion Models for Lumbar Spine MRI Segmentation

• arxiv url: http://arxiv.org/abs/2608.04906v1
• Date: Wed, 05 Aug 2026 14:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.961895
• Title: Enhancing Low Back Pain Assessment with Diffusion Models for Lumbar Spine MRI Segmentation
• Title（参考訳）: 腰椎椎間板MRIにおける拡散モデルによる腰痛評価の強化
• Authors: Maria Monzon, Thomas Iff, Ender Konukoglu, Catherine R. Jutzeler,
• Abstract要約: 本研究は腰痛(LBP)患者における腰椎MRI画像の堅牢かつ高精度なセマンティックセマンティックセグメンテーションのための拡散ベースフレームワークを提案する。 椎骨,椎間板 (IVDs) および脊柱管のSPIDERデータセットを用いて, 高度な椎間板分割モデルと比較した。 その結果, SpineSegDiff は, 最先端の非拡散 nnUnet に匹敵するセグメンテーション性能を達成した。
• 参考スコア（独自算出の注目度）: 13.36450508810551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a diffusion-based framework for robust and accurate semantic segmentation of lumbar spine MRI scans from patients with low back pain (LBP), regardless of whether the scans are T1- or T2-weighted. We compared with advanced models for segmenting vertebrae, intervertebral discs (IVDs), and spinal canal using the SPIDER dataset. The results showed that SpineSegDiff achieved a segmentation performance comparable to that of the state-of-the-art non-diffusion nnUnet, particularly in improving the identification of degenerated IVDs. In addition, the uncertainty maps generated by our model provide valuable insights for clinical review, enhancing the robustness and reliability of the segmentation results. The potential of diffusion models to enhance the diagnosis and management of LBP through more precise analysis of pathological spine MRI is underscored by our findings.
• Abstract（参考訳）: 本研究は,腰痛 (LBP) 患者の腰部MRI検査において, T1-あるいはT2-重みの有無にかかわらず, 頑健かつ正確な意味的セグメンテーションを行うための拡散型フレームワークを提案する。 椎骨,椎間板 (IVDs) および脊柱管のSPIDERデータセットを用いて, 高度な椎間板分割モデルと比較した。 その結果, SpineSegDiff は, 最先端の非拡散 nnUnet に匹敵するセグメンテーション性能を達成した。 さらに,本モデルから得られた不確実性マップは臨床検査に有用であり,セグメンテーション結果の堅牢性と信頼性を高める。 病的脊椎MRIのより精密な解析により,LPPの診断・管理を促進する拡散モデルの可能性について検討した。

関連論文リスト

• PhenSPINE: A Standardized Benchmark for Spine Pathology Diagnosis [4.172199727841524]
  本研究では,250人の患者から得られた16,813枚の画像の磁気共鳴画像データセットを,高度なディープラーニング研究を促進するためにキュレートした。 本研究では,最先端の畳み込みバックボーンと位置PINE機構を統合し,椎間板の解剖学的文脈を明示的にモデル化する堅牢な診断ベンチマークを提案する。 マルチシーケンス融合戦略は, この単一シーケンスベースラインに比べ, 周囲の解剖学的領域からのノイズ干渉により, データセットのシーケンス間の画像が著しく損なわれているため, 性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2026-07-22T02:55:36Z)
• 3D Segment Anything Model with Visual Mamba for Diagnosing Placenta Accreta Spectrum [35.89714934702222]
  Placenta Accreta Spectrum (PAS) は珍しいが、非常に危険な産婦人科疾患である。 従来のPAS診断は、帝王切開の歴史とMRI(Magnetic Resonance Imaging)データを分析することによって、経験豊富な医師に依存している。 我々は,粒度の細かなセグメンテーションと分類アノテーションを含む最初のMRIベースのPASデータセットを構築した。
  論文  参考訳（メタデータ） (2026-05-30T02:39:56Z)
• OrthoDiffusion: A Generalizable Multi-Task Diffusion Foundation Model for Musculoskeletal MRI Interpretation [36.4629764779715]
  筋骨格障害は、世界的な健康上の重荷であり、世界中の障害の主要な原因である。 マルチタスク筋骨格MRIの解釈のために設計された統合拡散基盤モデルOrthoDiffusionを開発した。 このフレームワークは、3つの方向特異的な3D拡散モデルを利用しており、15,948個のラベルのない膝MRIスキャンで自己指導的に事前訓練されている。
  論文  参考訳（メタデータ） (2026-02-24T10:29:10Z)
• SpineBench: A Clinically Salient, Level-Aware Benchmark Powered by the SpineMed-450k Corpus [39.664918145306366]
  松葉病は全世界で6億1919万人に影響を及ぼし、障害の主な原因となっている。 SpineMedは、脊椎外科医を実践するエコシステムである。 SpineMed-450kは、脊椎レベルの推論のために明示的に設計された最初の大規模データセットである。
  論文  参考訳（メタデータ） (2025-10-03T16:32:02Z)
• Diffusion-Based Semantic Segmentation of Lumbar Spine MRI Scans of Lower Back Pain Patients [9.162160708549697]
  腰痛 (LBP) 患者における脊椎椎間板 (IVDs) と脊椎椎間板 (intravertebral discs) の堅牢かつ正確なセグメンションのための拡散型枠組みについて検討した。 その結果, SpineSegDiffは, 劣化IVDの同定において, 拡散非拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-11-16T09:22:46Z)
• Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet [2.8730926763860687]
  腰椎の3次元スライスMRIデータのパノプティカルセグメンテーションのための改良型注意U-Netアーキテクチャを提案する。 本手法は,新しいマスキングロジックを取り入れた99.5%の精度を実現する。
  論文  参考訳（メタデータ） (2024-04-28T19:35:00Z)
• 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)
• Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
  本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。 GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。 実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
  論文  参考訳（メタデータ） (2022-02-21T04:37:25Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。