論文の概要: Extending TotalSegmentator: Predicting Patient and Acquisition Characteristics from CT and MR Images
- arxiv url: http://arxiv.org/abs/2608.29348v1
- Date: Sat, 29 Aug 2026 16:09:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.938903
- Title: Extending TotalSegmentator: Predicting Patient and Acquisition Characteristics from CT and MR Images
- Title（参考訳）: 拡張型トータルセグメンテータ:CTおよびMR画像による患者の予測と獲得特性
- Abstract要約: 我々は,CTおよびMR画像から直接患者および取得特性を予測する高速オープンソースモデルの開発と評価を行った。
体重、身長、年齢、性別、コントラストの存在、脊椎のカバレッジ、画像ノイズが予測された。
異種CTとMR検査から患者の3Dモデル1枚を迅速に回収できる。
- 参考スコア（独自算出の注目度）: 1.2757383896327519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Patient details and acquisition metadata are important for clinical decisions, image quality control, and automated research pipelines, but may be missing or unreliable in imaging archives. Purpose: To develop and evaluate a fast open-source model that predicts patient and acquisition characteristics directly from CT and MR images. Materials and Methods: Separate 3D ResNet-10 ensembles for CT and MR were trained on 57,291 and 43,200 clinical examinations acquired from 2011 to 2025. Both predicted weight, height, age, sex, contrast presence, vertebral coverage, and image noise. The CT model additionally predicted scanner manufacturer, tube voltage, tube current, convolution kernel, and post-injection time; the MR model predicted sequence class. Performance was evaluated on internal CT (n=501) and MR (n=636) test sets and an external CT dataset (n=54). Results: Internal CT MAEs were 3.90 kg, 3.68 cm, and 4.42 years for weight, height, and age, with sex F1=0.990; corresponding MR results were 4.34 kg, 4.62 cm, 7.13 years, and F1=0.970. The CNN outperformed a segmentation-derived XGBoost baseline for all four core targets in both modalities (adjusted P<=.042). F1 scores were 0.963 for CT contrast, 0.953 for MR sequence, and 0.823 for MR contrast. External CT MAEs were 4.45 kg, 4.05 cm, and 5.17 years, with sex F1=0.971. CPU inference required 20 seconds for CT and 12 seconds for MR. Conclusion: One 3D multitask model per modality can rapidly recover patient and acquisition characteristics from heterogeneous CT and MR examinations. Models are available in TotalSegmentator: https://github.com/wasserth/TotalSegmentator
- Abstract（参考訳）: 背景: 患者の詳細と取得メタデータは, 臨床診断, 画像品質管理, 自動研究パイプラインにおいて重要であるが, 画像アーカイブでは欠落しているか, 信頼できない可能性がある。
目的:CTおよびMR画像から直接患者および取得特性を予測する高速なオープンソースモデルの開発と評価を行う。
材料と方法:2011年から2025年にかけて取得された57,291点,43,200点の3D ResNet-10アンサンブルを訓練した。
体重、身長、年齢、性別、コントラストの存在、脊椎のカバレッジ、画像ノイズが予測された。
CTモデルはさらに、スキャナーメーカー、チューブ電圧、チューブ電流、畳み込みカーネル、インジェクション後の時間、MRモデル予測シーケンスクラスを予測した。
内部CT (n=501) およびMR (n=636) テストセットと外部CTデータセット (n=54。
結果:3.90kg,3.68cm,4.42歳,性別F1=0.990,MRIでは4.34kg,4.62cm,7.13年,F1=0.970であった。
CNNはセグメンテーションから派生したXGBoostベースラインを2つのモダリティ(調整されたP<=.042)で達成した。
F1スコアはCTでは0.963,MRシークエンスでは0.953,MRコントラストでは0.823であった。
外部CT MAEは4.45kg、4.05cm、5.17年、セックスF1=0.971である。
CPU推論はCTで20秒,MRで12秒を必要とした。結語: 1つの3次元マルチタスクモデルにより,異種CTおよびMR検査から患者と取得特性を迅速に回復することができる。
モデルはTotalSegmentatorで利用可能である。
関連論文リスト
- TotalSynth: Robust Whole-Body Synthetic CT from MRI and CBCT [1.1049081394631575]
データセットは、SynthRADチャレンジデータ、4つの前立腺コホート、BIC-MACから2020年から2026年の間に収集された。
リリースされたMRI-CTモデルでは、全体的なMAEは67.49 HU、SSIMは0.920、PSNRは29.28 dBであった。
CBCT-to-CTモデルは、全体的なMAEは53.55 HU、SSIMは0.939、PSNRは32.09 dBに達した。
論文 参考訳（メタデータ） (2026-09-12T09:46:11Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - VIBESegmentator: Full Body MRI Segmentation for the NAKO and UK Biobank [13.370382898117226]
本稿では,MRIおよびCT画像のためのディープラーニングに基づく胴分割モデルを提案する。
我々のモデルは、Amos上の最良のモデルと0,81+-0.14のDiceで結びついているが、視野は広く、さらに多くの構造を含んでいる。
論文 参考訳（メタデータ） (2024-05-31T18:32:46Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。
明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。
CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
論文 参考訳（メタデータ） (2024-05-10T13:15:42Z) - An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and
Masses [5.488270456927515]
CTスキャンによる腎, 腎腫瘍, 腎嚢胞の自動分離は, 課題である。
2.5D ResUnetは、CTスキャンの厚さの広い範囲と不均衡分布を考慮して、効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築するために採用されている。
論文 参考訳（メタデータ） (2023-11-27T07:24:50Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - 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) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z)
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。