文献

J-GLOBAL ID：202202287817772723   整理番号：22A0462537

カスケード型U=2-NetとSASSNet深層学習モデルを用いたMRIの自動四頭筋と膝蓋骨セグメンテーション【JST・京大機械翻訳】

Automatic quadriceps and patellae segmentation of MRI with cascaded U²-Net and SASSNet deep learning model

著者 (12件)： Cheng Ruida (Scientific Application Services (SAS), Office of Scientific Computing Services (OSCS), Office of Intramural Research, Center of Information Technology, National Institutes of Health, Bethesda, Maryland) ,  Crouzier Marion (Movement, Interactions, Performance Laboratory, University of Nantes, Nantes, France) ,  Crouzier Marion (School of Biomedical Sciences, The University of Queensland, Brisbane) ,  Crouzier Marion (Institut Universitaire de France, Paris, France) ,  Hug Francois (Movement, Interactions, Performance Laboratory, University of Nantes, Nantes, France) ,  Hug Francois (LAMHESS, Universite Cote d’Azur, Nice, France) ,  Tucker Kylie (School of Biomedical Sciences, The University of Queensland, Brisbane) ,  Juneau Paul (NIH Library, Office of Research Services, National Institutes of Health, Bethesda, Maryland) ,  McCreedy Evan (Scientific Application Services (SAS), Office of Scientific Computing Services (OSCS), Office of Intramural Research, Center of Information Technology, National Institutes of Health, Bethesda, Maryland) ,  Gandler William (Scientific Application Services (SAS), Office of Scientific Computing Services (OSCS), Office of Intramural Research, Center of Information Technology, National Institutes of Health, Bethesda, Maryland) ,  McAuliffe Matthew J. (Scientific Application Services (SAS), Office of Scientific Computing Services (OSCS), Office of Intramural Research, Center of Information Technology, National Institutes of Health, Bethesda, Maryland) ,  Sheehan Frances T. (Rehabilitation Medicine Department, National Institutes of Health Clinical Center, Bethesda, Maryland)
資料名： Medical Physics  (Medical Physics)
巻： 49  号： 1  ページ： 443-460  発行年： 2022年 
JST資料番号： A1258A  ISSN： 0094-2405  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： PURPOSE:自動筋肉セグメンテーションは,大きな多次元画像集合のタイムリーな探索を可能にするため,ヒト生理学,生体力学および筋骨格病理の理解を進めるために重要である。セグメンテーションモデルは小児モデルに対してほとんど開発/検証されていない。このように,自動セグメンテーションは,発生中の筋肉構造変化と疾患/病理学がどのように発達中の筋骨格系に影響するかを探求するのに利用できない。したがって,小児データベースを用いて大腿直筋と広筋外側,内側広筋,および中間子の正確なセグメンテーションのためのエンドツーエンド,完全自動化,深層学習モデルを開発し,検証することを目的とした。方法:著者らは,粗から微細への2段階カスケード深層学習モデルを開発した。第1段階では,U2-Netは筋肉サブコンパートメント領域を検出する。次に,第二段階において,形状意識3D意味セグメンテーション法SASSNetは,より微細で正確なセグメンテーションマスクを作り出すために,作付目標領域を洗練する。両方のステージでマルチ特徴画像マップを利用して,性能を安定化し,アブレーション研究によるそれらの使用を検証した。第2段階SASSNetは独立に実行され,3つの異なる作付領域解像度で評価された:原画像分解能と画像ダウンサンプル2×と4×(高,中,低)。画像分解能とセグメンテーション精度の間の関係を調査した。さらに,膝蓋骨を過去の仕事のコンパレータとして含めた。40人の小児参加者(年齢15.3±1.9歳,55.8±11.8kg,164.2±7.9cm,38F/2M)から3D MR画像(0.43×2mm)のデータベースでのleave-one-out試験を用いてセグメンテーション精度を評価した。結果:中分解能第2ステージは,内側広筋,大腿直筋および膝蓋骨(Dice類似係数=95.0%,95.1%,93.7%)に対し最良の結果を生じたが,低解像度第2ステージは広筋外側広筋および広筋中間子(DSC=94.5%および93.7%)に対し最良の結果を生じた。低~中分解能症例の比較では,広筋,大腿直筋および膝蓋骨は,有意差(p=0.0015,p=0.0101,p<0.0001,p=0.0003)および広筋外側広筋(p=0.2177)を生じた。高分解能ステージ2は,中間および低解像度ルーチン(p値が<0.001から0.04の範囲)と比較して,有意に低い精度(1.0から4.4ジセパーセントポイント)を示した。1つの例外は大腿直筋であり,低および高解像度症例の間に差はなかった。アブレーション研究は,マルチ特徴が単一特徴より信頼性が高いことを示した。結論:この2段階分割パイプラインの成功した実装は,小児筋肉生理学および臨床研究を拡大するための重要なツールを提供する。比較的小さな変数データセットにより,著者らの完全自動セグメンテーション技法は,最新技術の現状を整合または超える精度を生成する。二段階セグメンテーションは,不必要なデータを作付する第1段階を用いてメモリ問題と過度の実行時間を避ける。優れたDice類似性係数は,脚の筋肉をターゲットとする以前のテンプレートベースの自動および半自動方法論で改善する。より重要なことに,自然変数データセット(サイズ,形状など)により,提案モデルは以前のニューラルネットワーク法と比較してわずかに改善された精度を示した。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  信頼性 ,  *セグメンテーション ,  データベース ,  ニューラルネットワーク ,  ヒト ,  子供 ,  *膝蓋骨 ,  高次元 ,  三次元 ,  NMRイメージング ,  アブレーション ,  高分解能 ,  病理
準シソーラス用語： *深層学習 , 【Automatic Indexing@JST】

著者キーワード (9件)： カスケード ,  小児 ,  深層学習 ,  ヒト ,  磁気共鳴イメージング ,  ニューラルネットワーク ,  膝蓋骨 ,  大腿四頭筋 ,  セグメンテーション

分類 (2件)： 医用画像処理  (JE04020T) ,  筋骨格系・皮膚モデル  (EL02040R)

タイトルに関連する用語 (7件)： カスケード ,  深層学習 ,  モデル ,  MRI ,  頭筋 ,  膝蓋骨 ,  セグメンテーション