論文の概要: Improving Clinical Target Volume Segmentation Accuracy using Anatomical Priors and Active Learning for the AGITG TOPGEAR Clinical Trial
- arxiv url: http://arxiv.org/abs/2609.03186v1
- Date: Wed, 02 Sep 2026 22:03:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.862076
- Title: Improving Clinical Target Volume Segmentation Accuracy using Anatomical Priors and Active Learning for the AGITG TOPGEAR Clinical Trial
- Title（参考訳）: AGITG TOPGEAR 臨床試験における解剖学的先行試験とアクティブラーニングによる目標容積分割精度の向上
- Abstract要約: ディープラーニングベースの医療画像セグメンテーションモデルのトレーニングは、限られたデータセットで難しい。
胃癌臨床試験であるAGITG TOPGEARでは、臨床ターゲットボリューム(CTV)は複雑で、複数の解剖学的ランドマークで定義されている。
周辺臓器の分節から派生した解剖学的先行性について検討し,空間的文脈を提供し,CTV分節精度を向上させる。
- 参考スコア（独自算出の注目度）: 2.144682176982614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training deep learning-based medical image segmentation models is challenging with limited curated datasets. For AGITG TOPGEAR, a gastric cancer trial, the Clinical Target Volume (CTV) is complex and defined by multiple anatomical landmarks, making upfront training data preparation difficult for an automated contour QA segmentation model. We investigate anatomical priors, derived from surrounding organ segmentations, to provide spatial context and improve TOPGEAR CTV segmentation accuracy. We also evaluate active learning, iteratively expanding the training dataset by selecting cases expected to improve performance. One hundred TOPGEAR CT scans were retrospectively analyzed. An initial set of 10 expert-contoured cases was used to train an nnU-Net model. TotalSegmentator generated a voxel-wise anatomical prior map from surrounding structures as an additional input channel. Active learning was simulated over four iterations, selecting cases by model uncertainty and segmentation performance. All models used five-fold cross-validation for an ensemble uncertainty measure. Evaluation used a hold-out testing set of 50 cases. The anatomical prior improved CTV segmentation accuracy, increasing mean Dice Similarity Coefficient (DSC) from 0.84 to 0.86. Active learning similarly improved performance to 0.86, with greatest benefit in the final round. Combining the anatomical prior with active learning achieved the highest accuracy, with a DSC of 0.87. Model uncertainty correlated with DSC, supporting its use in identifying suboptimal predictions and guiding active learning. Anatomical priors and active learning each improved CTV segmentation accuracy and generalizability, with their combination achieving the best performance, supporting integration into segmentation model development for automated contour QA in radiotherapy clinical trials.
- Abstract（参考訳）: ディープラーニングベースの医療画像セグメンテーションモデルのトレーニングは、限られたデータセットで難しい。
胃癌臨床試験であるAGITG TOPGEARでは, 臨床ターゲットボリューム(CTV)は複雑で, 複数の解剖学的ランドマークで定義されており, 自動輪郭QAセグメンテーションモデルでは事前トレーニングデータの作成が困難である。
周辺臓器のセグメンテーションから派生した解剖学的先行性について検討し,空間的文脈を提供し,TOPGEAR CTVセグメンテーションの精度を向上させる。
また,パフォーマンス向上の期待される事例を選択することで,学習データセットを反復的に拡張するアクティブラーニングの評価を行った。
100個のTOPGEAR CTスキャンを振り返って分析した。
nnU-Netモデルをトレーニングするために、10のエキスパートコントゥールケースの最初のセットが使用された。
TotalSegmentatorは、周辺構造からのボクセルの解剖学的事前マップを付加的な入力チャネルとして生成した。
アクティブラーニングは4回のイテレーションでシミュレートされ、モデルの不確実性とセグメンテーションのパフォーマンスによってケースを選択する。
全てのモデルは、アンサンブルの不確実性測定のために5倍のクロスバリデーションを使用した。
評価は50例のホールドアウトテストセットを使用した。
解剖学的にCTVセグメンテーションの精度が向上し、Dice similarity Coefficient(DSC)が0.84から0.86に増加した。
アクティブラーニングも同様にパフォーマンスを0.86に改善し、最終ラウンドで最大の利益を得た。
解剖学的先行と能動的学習を組み合わせることで,DSCは0.87。
モデル不確実性はDSCと相関し、最適下予測の同定とアクティブラーニングの導出を支援する。
CTVセグメンテーションの精度と一般化性を改善した解剖学的先行と能動的学習を行い、その組み合わせにより、放射線治療臨床試験における自動輪郭QAのためのセグメンテーションモデル開発への統合を支援した。
関連論文リスト
- Automated Prostate Gland Segmentation in MRI Using nnU-Net [0.14777718769290524]
本稿では, nnUNet v2 フレームワークを用いた前立腺自動分節のためのディープラーニングに基づく専用アプローチを提案する。
提案したモデルでは、クロスバリデーションでは平均Diceスコアが0.96+/-0.00、外部テストセットでは0.82となり、ドメインシフトにもかかわらず強い一般化が示された。
論文 参考訳（メタデータ） (2026-04-02T12:28:03Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations [3.1898695141875772]
このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。
提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。
従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
論文 参考訳（メタデータ） (2025-11-01T09:53:28Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - 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) - 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) - 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) - Ensemble uncertainty as a criterion for dataset expansion in distinct
bone segmentation from upper-body CT images [0.7388859384645263]
個々の骨の局所化と分節化は多くの計画およびナビゲーションアプリケーションにおいて重要な前処理ステップである。
上半身CTにおいて125個の異なる骨を分割できるエンドツーエンド学習アルゴリズムを提案する。
また、アンサンブルベースの不確実性対策も提供し、スキャンを単一にしてトレーニングデータセットを拡大します。
論文 参考訳（メタデータ） (2022-08-19T08:39:23Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z)
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。