ディープニューラルネットワークは,専門家レベルの脳髄膜腫検出,セグメンテーションおよび現在の臨床診療の改善を可能にする【JST・京大機械翻訳】

Boaro, A.; Kaczmarzyk, J.; Kavouridis, V. K.; Harary, M.; Mammi, M.; Dawood, H.; Shea, A.; Cho, E. Y.; Jukevar, P.; Noh, T.; Rana, A.; Ghosh, S.; Arnaout, O.

プレプリント

J-GLOBAL ID：202202202031621638 整理番号：21P0280228

ディープニューラルネットワークは,専門家レベルの脳髄膜腫検出,セグメンテーションおよび現在の臨床診療の改善を可能にする【JST・京大機械翻訳】

Deep neural networks allow expert-level brain meningioma detection, segmentation and improvement of current clinical practice

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (13件)： , , , , , , , , , , , ,
資料名：
発行年： 2022年01月07日プレプリントサーバーでの情報更新日： 2022年01月07日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

正確な脳髄膜腫検出,セグメンテーションおよび容積評価は,治療に対する連続患者追跡,外科的計画およびモニタリング反応に重要である。手動ラベリングの現在の金標準は,ユーザ間変動を受ける時間のかかるプロセスである。髄膜腫検出とセグメンテーションのための完全自動化アルゴリズムは,精度と効率を高め,ユーザ間変動と節約時間を減らすことによって,臨床と研究ワークフローに体積分析をもたらす可能性を有する。以前の研究は,臨床診療における深層学習ソリューションのインパクトと使用性の評価なしに,セグメンテーションタスクにのみ集中した。ここでは,MRIスキャンでエキスパートレベル,自動髄膜腫セグメンテーションおよびボリューム推定を行う3次元畳込みニューラルネットワーク(3D-CNN)を示した。3D-CNNは,10,099の健康な脳MRIのデータセットを用いて,全脳容積をセグメント化することによって最初に訓練された。転送学習を用いて,ネットワークを次に806のエキスパートラベル付きMRIを用いて髄膜腫セグメンテーションで訓練した。最終モデルは88.2%の中央値性能を達成し,現在のインタエキスパート変動(82.6%~91.6%)のスペクトルに達し,現在のワークフローと比較して,処理時間を99%短縮した。髄膜腫セグメンテーションに対する深い学習アプローチが実行可能で,高度に正確で,現在の臨床診療を改善する可能性を有することを,シミュレートした臨床設定で示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

医用画像処理 , 腫ようの診断 , 神経系の腫よう

, , , ,

前のページに戻る