論文の概要: Automated Fetal Brain MRI Biometry in Healthy and Pathological Cases

• arxiv url: http://arxiv.org/abs/2608.15692v1
• Date: Sun, 16 Aug 2026 11:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.393409
• Title: Automated Fetal Brain MRI Biometry in Healthy and Pathological Cases
• Title（参考訳）: 健康・病理疾患における胎児脳MRI自動計測
• Abstract要約: 我々は,NeSVoRを再構成した3Dボリューム上に22の解剖学的ランドマークを局在させる自動バイオメトリック分析パイプラインを評価した。 我々は,H3DE-NetとSCNの2つのランドマークローカライゼーションモデルを,122件の買収の異種コホート上で比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated biometric analysis of fetal brain MRI enables reproducible, observer-independent quantitative assessment, yet existing methods are often restricted to few measurements or evaluated only on healthy cases. We assemble and evaluate an automated biometric analysis pipeline that localizes 22 anatomical landmarks on NeSVoR-reconstructed 3D volumes and derives 11 clinically relevant measurements spanning supratentorial, ventricular, cerebellar, and midline structures. We compare two landmark localization models, H3DE-Net and SCN, on a heterogeneous cohort of 122 acquisitions (both healthy controls and range pathologies). Localization accuracy was assessed with a linear mixed-effects model, agreement with normative growth trajectories with calibrated centile charts, and diagnostic utility with a decision tree classifying VM severity. H3DE-Net achieved significantly lower localization error than SCN across all landmarks (mean 1.36 mm vs. 3.58 mm in HC and 1.90 mm vs. 4.13 mm in PC; p < 0.001), and outperformed a GA-based regression baseline in 7 of 11 measurements. H3DE-Net measurements yielded higher classification AUC in every diagnostic group, with the clearest advantage in separating healthy controls from VM. Decision tree thresholds for ventricular width fell near the clinical 10 mm and 15 mm cut-offs used to define and grade VM.
• Abstract（参考訳）: 胎児脳MRIの自動生体計測分析は再現性があり、観察者に依存しない定量的評価を可能にする。 我々は,NeSVoRで再構成した3Dボリュームに22の解剖学的ランドマークを局在させる自動生体計測パイプラインを組み立て,評価し,上室,心室,小脳,中線構造にまたがる11の臨床的関連測定結果を得た。 我々は、H3DE-NetとSCNの2つのランドマークローカライゼーションモデルを比較し、122件の買収(健康管理と範囲病理の両方)の異種コホートについて比較した。 局所化精度を線形混合効果モデル, 標準成長軌跡とキャリブレーションセンタイルチャートとの一致, およびVM重大度を分類した決定木を用いた診断ユーティリティを用いて評価した。 H3DE-Netは、すべてのランドマーク(HCでは1.36 mm対3.58 mm、PCでは1.90 mm対4.13 mm; p < 0.001)でSCNよりもかなり低いローカライゼーション誤差を達成し、GAベースの回帰ベースラインを11の計測で上回った。 H3DE-Net測定は、VMから健康的なコントロールを分離する上で最も有利な点として、各診断群でより高い分類AUCを得た。 心室幅の決定木閾値は,VMの定義および評価に用いる臨床10mmおよび15mm切欠き付近に低下した。

関連論文リスト

• Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring [0.6439594960617159]
  DAMM-Net++は胸部放射線治療のための2.5Dアーキテクチャである。 これはスライス表面の不整合、小さな低コントラストターゲットの系統的故障、ケースごとの信頼性信号の欠如に対処する。 平均Diceは0.955、HD95は3.78mmで、低コントラストの臓器のリスクが最も高い。
  論文  参考訳（メタデータ） (2026-09-11T11:13:06Z)
• Automated 2D and 3D Segmentation of AMD and DME Lesions in OCT [5.625893116312849]
  加齢に伴う黄斑変性と糖尿病黄斑浮腫は視力喪失の原因となっている。 光コヒーレンストモグラフィーのための多くのディープラーニングセグメンテーション作業は、ドメイン内でのみ検証されている。 この研究は、4つの病変分離パイプラインを開発し、体系的に非難する。
  論文  参考訳（メタデータ） (2026-08-27T13:13:18Z)
• NeuroMosaic: Anatomically Grounded Multimodal Large Language Modeling for Molecularly Aware Glioma Reasoning from 3D MRI and Clinical Narratives [0.7742420215649948]
  我々は,3次元マルチモーダル言語モデルであるNeuroMosaicについて述べる。 このアーキテクチャは、マルチレゾリューションボリュームトークンライザ、神経解剖学的グラフルータ、分子コンセプトメモリ、選択的リスク制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-08-04T06:26:50Z)
• AutoIQ: An Ensemble Framework for Automatic Assessment of Geometric Distortion in Prostate Diffusion-Weighted Imaging [39.60379134041974]
  幾何学的歪み重大度の自動および定量化のためのアンサンブル機械学習フレームワークであるAutoIQを提案する。 計140回の振り返りMRI検査を行い,33回のCT検査を行った。 AutoIQは、前立腺DWIの自動化された定量的品質評価を提供し、再取得を必要とするスキャンを特定するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-29T22:19:56Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• 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)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Estimation of mitral valve hinge point coordinates -- deep neural net for echocardiogram segmentation [0.0]
  僧帽弁ヒンジ点の完全自動検出法を提案する。 この方法は、得られたセグメンテーションから第2ステップで僧帽弁ヒンジポイントを抽出する。 この自動検出法を用いて測定した結果を基準座標値と比較した。
  論文  参考訳（メタデータ） (2023-01-20T19:46:16Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。 感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)

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。