Fugu-MT 論文翻訳(概要): Ischemic Stroke Segmentation and Net Water Uptake Quantification on Multicenter Non-Contrast CT Using Supervised Target-Domain Adaptation

論文の概要: Ischemic Stroke Segmentation and Net Water Uptake Quantification on Multicenter Non-Contrast CT Using Supervised Target-Domain Adaptation

arxiv url: http://arxiv.org/abs/2609.20151v1
Date: Thu, 17 Sep 2026 12:44:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:54.274167
Title: Ischemic Stroke Segmentation and Net Water Uptake Quantification on Multicenter Non-Contrast CT Using Supervised Target-Domain Adaptation
Title（参考訳）: 教師付きターゲットドメイン適応を用いたマルチセンター非コントラストCTにおける虚血性ストロークセグメンテーションとネット吸水量定量化
Abstract要約: 非造影CT(non-contrast Computed tomography, NCCT)における梗塞性低密度の定量的評価には手動または半手動の病変のデライン化が必要である。大学医学センターハンブルク・エッペンドルフと急性虚血ストロークデータセットのNCCTスキャンに基づいてnnU-Netベースのモデルが訓練された。標的領域適応は、異種外部コホートにまたがるNCCTのみの梗塞セグメンテーションをサポートする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Objectives: Quantitative assessment of infarct hypodensity on non-contrast computed tomography (NCCT), including net water uptake (NWU), requires manual or semi-manual lesion delineation, often guided by CT perfusion or diffusion-weighted MRI, limiting clinical applicability. Automated segmentation on NCCT could enable efficient biomarker extraction such as NWU but remains challenging across heterogeneous multicenter data. This study aimed to develop and externally test a domain-aware deep learning framework for ischemic stroke segmentation on NCCT and assess its suitability for NWU quantification. Materials & Methods: In this retrospective multicenter study of 801 patients from four datasets, an nnU-Net-based model was trained on NCCT scans from the University Medical Center Hamburg-Eppendorf and the Acute Ischemic Stroke Dataset. To adapt to new domains, the model was fine-tuned on target-domain subsets from Boston (n=11) and ISLES (n=75), with evaluation on held-out cases not used for fine-tuning. Automated segmentations and NWU values were compared with expert references. Results: For lesions $\geq$ 30 mL, median Dice was 0.68 (Boston) and 0.56 (ISLES). Including smaller lesions, which predominated in ISLES, median Dice was 0.54 (interquartile range [IQR] 0.30-0.70) for acute lesion segmentation (Boston dataset) and 0.20 (IQR 0.03-0.41) for NCCT lesion segmentations when compared to post-treatment infarct (primary target of the ISLES challenge). Automated NWU mean absolute error was 1.37 percentage points (SD 1.61, Boston). Conclusion: Target-domain adaptation supported NCCT-only infarct segmentation across heterogeneous external cohorts, although performance varied across domains. The approach enabled low-error NWU quantification from baseline NCCT without advanced imaging, supporting further prospective clinical evaluation.
Abstract（参考訳）: 目的: ネット水取り込み(NWU)を含む非コントラストCT(NCCT)における梗塞性低密度の定量的評価には、手動または半手動による病変のデライン化が必要であり、しばしばCT灌流や拡散強調MRIによって誘導され、臨床応用性に制限される。 NCCT上の自動セグメンテーションは、NWUのような効率的なバイオマーカー抽出を可能にするが、不均一なマルチセンターデータでは依然として困難である。本研究の目的は,NCCTにおける虚血性脳卒中セグメンテーションのためのドメイン認識深層学習フレームワークの開発と,そのNWU定量化への適合性を評価することである。材料と方法:4つのデータセットから801人の患者を対象に,大学医学センターハンブルク・エッペンドルフと急性虚血性脳卒中データセットからNCCTスキャンを行った。新しいドメインに適応するために、ボストン(n=11)とISLES(n=75)のターゲットドメインサブセットを微調整し、微調整に使用しないホールドアウトケースの評価を行った。自動セグメンテーションとNWU値を専門家の参照と比較した。結果: 病変に対するDiceの中央値は0.68(ボストン)と0.56(ISLES)であった。 ISLESに優占する小病変を含め、Diceは急性病変の分節(ボストンデータセット)では0.54(中間範囲 [IQR] 0.30-0.70)、NCCTの分節では0.20(IQR 0.03-0.41)であった。自動NWUでは絶対誤差は1.37ポイント(SD 1.61、ボストン)である。結論: ターゲットドメイン適応はNCCTのみの梗塞セグメンテーションを異種外部コホートでサポートしたが, パフォーマンスはドメインによって異なっていた。このアプローチにより, 高度な画像所見を伴わずに, NCCTから低誤差NWU定量化が可能となり, さらなる臨床評価が期待できる。

関連論文リスト

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)
CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
論文参考訳（メタデータ） (2026-06-13T13:51:10Z)
TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文参考訳（メタデータ） (2026-05-15T19:23:35Z)
SegRap2025: A Benchmark of Gross Tumor Volume and Lymph Node Clinical Target Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma [37.82643168064292]
SegRap2025チャレンジは、画像センターとモダリティをまたいだセグメンテーションモデルの一般化性と堅牢性を高めることを目的としている。本稿では,10名の参加チームによるソリューションの総合的な分析を行う。
論文参考訳（メタデータ） (2026-01-28T13:11:12Z)
Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文参考訳（メタデータ） (2025-11-30T12:45:02Z)
Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文参考訳（メタデータ） (2025-11-21T21:50:34Z)
AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
論文参考訳（メタデータ） (2025-10-01T22:19:27Z)
Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
論文参考訳（メタデータ） (2025-09-26T14:22:15Z)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。