論文の概要: Uncertainty-aware Coarse-to-Fine Main Pancreatic Duct Segmentation for Width Measurement in 3D MRCP
- arxiv url: http://arxiv.org/abs/2610.40073v1
- Date: Thu, 29 Oct 2026 13:51:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 08:24:15.846712
- Title: Uncertainty-aware Coarse-to-Fine Main Pancreatic Duct Segmentation for Width Measurement in 3D MRCP
- Title（参考訳）: 3次元MRCPの幅計測のための不確かさを意識した主膵管分割術
- Abstract要約: 膵管拡張診断と膵癌の診断にはMRCPスキャンによる主膵管(MPD)の評価が不可欠である。
本稿では,MPDセグメンテーションとMRCPスキャンによる最大幅解析のための,自動かつ不確実性を考慮したディープラーニングベースのパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessment of the main pancreatic duct (MPD) from volumetric magnetic resonance cholangiopancreatography (MRCP) scans is an essential task for ductal dilatation diagnosis and pancreatic cancer analysis. However, manual assessment is affected by reader variability in which automated analysis may assist. Nevertheless, fully automated and uncertainty-aware MPD analysis from volumetric MRCP remains underexplored area of research. In this study, we propose an automatic and uncertainty-aware deep learning-based pipeline for MPD segmentation and maximum-width analysis from MRCP scans. A coarse localisation model first identifies the ductal region-of-interest, followed by a fine model that segments the MPD within the region. The dataset consists of 256 MPD-segmented MRCP scans from 69 patients. A randomly selected holdout test subset of 14 patients with 55 MRCP volumes was used for evaluation. We employed a five-model cross-validation ensemble for improved performance and uncertainty estimation. The best MPD segmentation performance was 0.634 DSC, 0.744 precision, and 0.593 recall. The mean absolute error for maximum MPD width prediction was 0.355~mm and dilated MPD ($\geq 5$~mm) was detected with 75.0\% sensitivity and 74.4\% specificity. These novel results suggest that automated MPD segmentation can be used to aid MRCP-based duct measurements.
- Abstract（参考訳）: 膵管拡張診断と膵癌診断にはMRCPスキャンによる主膵管 (MPD) の評価が不可欠である。
しかし、手動による評価は、自動分析が役立つ読者の多様性に影響される。
それでも、ボリュームMRCPによる完全自動かつ不確実性を考慮したMPD分析は、まだ未調査領域である。
本研究では,MPDセグメンテーションとMRCPスキャンによる最大幅解析のための,自動かつ不確実性を考慮した深層学習パイプラインを提案する。
粗いローカライゼーションモデルはまず、関心のダクト領域を識別し、次に、その領域内でMPDをセグメントする細かなモデルを示す。
データセットは、69人の患者から256MPDのMRCPスキャンによって構成されている。
MRCP量55の患者14名を対象に無作為に選択したホールトアウトテストサブセットを用いて評価を行った。
性能向上と不確実性評価のために5モデルクロスバリデーションアンサンブルを用いた。
最高のMPDセグメンテーション性能は0.634DSSC、0.744精度、0.593リコールであった。
最大MPD幅予測の平均絶対誤差は0.355〜mmで、拡張MPD(\geq 5$~mm)は75.0\%感度と74.4\%特異性で検出された。
これらの新たな結果は,自動MPDセグメンテーションがMRCPに基づくダクト計測に役立つことを示唆している。
関連論文リスト
- Personalising Deformable Image Registration with Clinical Context and Deformation History for Adaptive Radiotherapy [48.52787121001821]
既存の登録方法は、各画像対を独立して扱う。
臨床コンテキスト認識と患者適応型画像登録(CAP-DIR)を開発した。
CAP-DIRは、内部テストのオルガン-アット-リスク領域の正常化クロス相関を84.76%から96.92%に増加させた。
論文 参考訳（メタデータ） (2026-10-13T06:02:57Z) - CineMR: Tool-Integrated Vision-Language Reasoning for Quantitative Cardiac MRI Assessment [48.337540718172384]
心臓血管磁気共鳴(CMR)は、心臓形態および心機能の非侵襲的評価基準である。
現在の医療ビジョン言語モデル(VLM)は、多次元シネ画像から定量的な測定を確実に導き出すことはできない。
我々は,心画像解析ツールを起動し,その出力を定量的なCMR評価のためのインターリーブ推論に統合するツール拡張VLMであるCineMRを提案する。
論文 参考訳（メタデータ） (2026-10-01T06:43:42Z) - Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。
本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
論文 参考訳（メタデータ） (2026-04-01T02:25:25Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - 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) - Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg [0.0]
SegResNetモデルは、2025年のPANTHER Challengeの一環として、2つのMRIベースの膵腫瘍セグメンテーションタスクで訓練され、評価された。
性能はやや低かったが, 自動デライン化の可能性を示した。
論文 参考訳（メタデータ） (2025-08-28T21:38:06Z) - 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) - Machine Learning-Based Detection of Parkinson's Disease From
Resting-State EEG: A Multi-Center Study [0.125828876338076]
安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。
本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者をプールした。
本稿では,プリプロセッシング,臨床的に検証された周波数帯域からのPSD特徴抽出,特徴選択によるエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-02T16:19:24Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳（メタデータ） (2020-10-28T21:07:09Z) - 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。