文献

J-GLOBAL ID：202202256505422626   整理番号：22A1177423

流域前処理に基づく領域成長法によるCT上の自然脳内出血のセグメンテーション【JST・京大機械翻訳】

Segmentation of Spontaneous Intracerebral Hemorrhage on CT With a Region Growing Method Based on Watershed Preprocessing

著者 (7件)： Zhou Zhengsong (Department of Electronic Information Engineering, Chengdu Jincheng College, Chengdu, China) ,  Wan Hongli (Department of Epidemiology and Health Statistics, West China School of Public Health and West China Fourth Hospital, Sichuan University, Chengdu, China) ,  Zhang Haoyu (Department of Electronic Information Engineering, Chengdu Jincheng College, Chengdu, China) ,  Chen Xumiao (Department of Electronic Information Engineering, Chengdu Jincheng College, Chengdu, China) ,  Wang Xiaoyu (Department of Neurosurgery, West China Hospital, Sichuan University, Chengdu, China) ,  Lili Shiluo (Department of Epidemiology and Health Statistics, West China School of Public Health and West China Fourth Hospital, Sichuan University, Chengdu, China) ,  Zhang Tao (Department of Epidemiology and Health Statistics, West China School of Public Health and West China Fourth Hospital, Sichuan University, Chengdu, China)
資料名： Frontiers in Neurology (Web)  (Frontiers in Neurology (Web))
巻： 13  ページ： 865023  発行年： 2022年 
JST資料番号： U7085A  ISSN： 1664-2295  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 脳内出血(ICH)は,その高い発生率と予後不良のため,人間の生命に大きな脅威をもたらす。出血位置の同定とCT画像に基づく体積の定量化は,ICHの診断と治療を助けるために非常に重要である。本研究では,流域前処理(RG-WP)に基づく領域成長アルゴリズムを提案し,出血をセグメント化し,定量化した。流域アルゴリズムによって産出する最も低いポイントは,区域成長のためのシードポイントとして使用して,次に,出血は区域成長方法に基づいてセグメント化した。同時に,アルゴリズムによる臨床医の豊富な経験を統合するために,流域分割に基づくシードポイントの手動選択を実行した。ICHの55人の患者のCT画像上のセグメンテーションの応用によって,RG-WPアルゴリズムの性能を,伝統的ABC/2方式および深層学習アルゴリズムU-netと同様に,専門臨床医によって描写された手動セグメンテーションと比較して評価した。手動セグメンテーションからのRG-WPアルゴリズムの出血量の平均偏差は-0.12ml(範囲:-1.05-1.16)であったが,手動からのABC/2のそれは1.05ml(範囲:-0.77-9.57)であった。アルゴリズムおよびマニュアルの強い一致を,高いクラス内相関係数(ICC)(0.928,95%CI:0.997~0.999)で確認し,それはABC/2およびマニュアル(0.972,95%CI:0.953-0.984)より優れていた。手動と比較してRG-WPアルゴリズムの感受性(Sen),陽性予測値(PPV),ジセ類似度指数(DSI),およびJaccard指数(JI)は,それぞれ0.92±0.04,0.95±0.04,0.93±0.02,および0.88±0.04であり,高い整合性を示した。また,アルゴリズムの精度は,Sen,PPV,DSI,およびJIが,それぞれ0.91±0.09,0.91±0.06,0.91±0.05,および0.91±0.06である,深層学習法Uネットのそれに匹敵した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *セグメンテーション ,  前処理 ,  *流域 ,  相関係数 ,  感受性 ,  *出血 ,  *成長 ,  *画像処理 ,  断層画像 ,  *脳出血
準シソーラス用語： 予後不良 ,  CT画像 ,  画像セグメンテーション ,  臨床医 ,  領域成長法 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： ICH ,  画像セグメンテーション ,  流域アルゴリズム ,  地域成長 ,  CT

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T)

引用文献 (36件)：

• Rajashekar D, Liang JW. Intracerebral Hemorrhage. StatPearls Treasure Island FL: StatPearls Publishing (2021).
• de Oliveira Manoel AA-O, Goffi A, Zampieri FG, Turkel-Parrella D, Duggal A, Marotta TR, et al. The critical care management of spontaneous intracranial hemorrhage: a contemporary review. Crit Care. (2016) 20:272. doi: 10.1186/s13054-016-1432-0
• Feigin VL, Lawes CM, Bennett DA, Barker-Collo SL, Parag V. Worldwide stroke incidence and early case fatality reported in 56 population-based studies: a systematic review. Lancet Neurol. (2009) 8:355-69. doi: 10.1016/S1474-4422(09)70025-0
• Schrag M, Kirshner H. Management of intracerebral hemorrhage: JACC focus seminar. J Am Coll Cardiol. (2020) 75:1819-31. doi: 10.1016/j.jacc.2019.10.066
• Thabet AM, Kottapally M, Hemphill JC III. Management of intracerebral hemorrhage. Handb Clin Neurol. (2017) 140:177-94. doi: 10.1016/B978-0-444-63600-3.00011-8

タイトルに関連する用語 (6件)： 流域 ,  前処理 ,  領域成長法 ,  CT ,  脳内出血 ,  セグメンテーション