抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
目的:CTにおける骨盤骨セグメンテーションは,常に骨盤骨疾患の臨床診断および手術計画における必須段階である。骨盤骨セグメンテーションのための既存の方法は,手作業または半自動であり,マルチサイトドメインシフトによる画像外観変化を扱うとき,コントラスト血管,コプロスおよびチム,骨骨折,低用量,金属アーチファクトなどが,注釈付きの大規模な骨盤CTデータセットの欠如のため,深い学習法は完全には調査されていない。方法:本論文では,1,184のCT容積と320,000のスライスを含む,複数のソースと異なる製造業者からプールされた大きな骨盤CTデータセットを,異なる解像度で,そして,上記の外観変動の多様性によって埋めることで,データギャップを埋めることを狙った。次に,著者らは,より効果的かつロバストな特徴表現を得るために,複数ドメイン画像から,腰椎,仙骨,左股関節,および右股関節をセグメント化するための深いマルチクラスネットワークを学習するために,初めて,著者らの知識の最良を提案した。最後に,正確に予測された骨断片を保持しながら,偽予測を除去するために,符号付き距離関数(SDF)に基づく後処理ツールを導入した。結果:著者らのデータセットに関する広範な実験は,著者らの自動法の有効性を実証し,無金属体積に対して0.987の平均Diceを達成した。SDFポストプロセッサは,後処理段階で重要な骨断片を維持することによって,hausdorff距離で10.5%の減少をもたらした。結論:この大規模データセットは,https://github.com/ICT MIRACLE lab/CTPelvic1Kで画像,注釈,コードおよび訓練されたベースラインモデルを公開する全体コミュニティおよび計画の開発を促進するであろうと信じる。【JST・京大機械翻訳】