論文の概要: CHAOS Challenge -- Combined (CT-MR) Healthy Abdominal Organ Segmentation
- arxiv url: http://arxiv.org/abs/2001.06535v3
- Date: Thu, 7 Jan 2021 14:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:53:49.952429
- Title: CHAOS Challenge -- Combined (CT-MR) Healthy Abdominal Organ Segmentation
- Title（参考訳）: CHAOS チャレンジ-CT-MRを併用した腹部組織分離
- Authors: A. Emre Kavur, N. Sinem Gezer, Mustafa Bar{\i}\c{s}, Sinem Aslan,
Pierre-Henri Conze, Vladimir Groza, Duc Duy Pham, Soumick Chatterjee, Philipp
Ernst, Sava\c{s} \"Ozkan, Bora Baydar, Dmitry Lachinov, Shuo Han, Josef
Pauli, Fabian Isensee, Matthias Perkonigg, Rachana Sathish, Ronnie Rajan,
Debdoot Sheet, Gurbandurdy Dovletov, Oliver Speck, Andreas N\"urnberger,
Klaus H. Maier-Hein, G\"ozde Bozda\u{g}{\i} Akar, G\"ozde \"Unal, O\u{g}uz
Dicle, M. Alper Selver
- Abstract要約: CHAOSは、健常者からの腹部CTとMRデータの両方を提供し、腹腔内臓器の分節化を図っている。
5つの異なる補完的なタスクは、複数の視点から現在のアプローチの能力を分析するように設計されている。
分析の結果,単一モード (CT / MR) におけるDLモデルの性能は,信頼性の高いボリューム解析性能 (DICE: 0.98 $pm$ 0.00 / 0.95 $pm$ 0.01) を示すことができたが,最高の MSSD 性能は依然として制限されている (21.89 $pm$ 13.94 / 20.85 $pm$pm$ 10.63 mm)。
- 参考スコア（独自算出の注目度）: 7.429032855333529
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of abdominal organs has been a comprehensive, yet unresolved,
research field for many years. In the last decade, intensive developments in
deep learning (DL) have introduced new state-of-the-art segmentation systems.
In order to expand the knowledge on these topics, the CHAOS - Combined (CT-MR)
Healthy Abdominal Organ Segmentation challenge has been organized in
conjunction with IEEE International Symposium on Biomedical Imaging (ISBI),
2019, in Venice, Italy. CHAOS provides both abdominal CT and MR data from
healthy subjects for single and multiple abdominal organ segmentation. Five
different but complementary tasks have been designed to analyze the
capabilities of current approaches from multiple perspectives. The results are
investigated thoroughly, compared with manual annotations and interactive
methods. The analysis shows that the performance of DL models for single
modality (CT / MR) can show reliable volumetric analysis performance (DICE:
0.98 $\pm$ 0.00 / 0.95 $\pm$ 0.01) but the best MSSD performance remain limited
(21.89 $\pm$ 13.94 / 20.85 $\pm$ 10.63 mm). The performances of participating
models decrease significantly for cross-modality tasks for the liver (DICE:
0.88 $\pm$ 0.15 MSSD: 36.33 $\pm$ 21.97 mm) and all organs (DICE: 0.85 $\pm$
0.21 MSSD: 33.17 $\pm$ 38.93 mm). Despite contrary examples on different
applications, multi-tasking DL models designed to segment all organs seem to
perform worse compared to organ-specific ones (performance drop around 5\%).
Besides, such directions of further research for cross-modality segmentation
would significantly support real-world clinical applications. Moreover, having
more than 1500 participants, another important contribution of the paper is the
analysis on shortcomings of challenge organizations such as the effects of
multiple submissions and peeking phenomena.
- Abstract（参考訳）: 腹部臓器のセグメンテーションは、長年にわたって包括的かつ未解決の研究分野であった。
過去10年間で、ディープラーニング(DL)の発展は、新しい最先端のセグメンテーションシステムを導入してきた。
これらのトピックに関する知識の拡大を目的として,ieee international symposium on biomedical imaging (isbi, 2019) とともに,イタリアのヴェネチアにおいて,ct-mr(chaos- combined) health abdominal organ segmentation challenge が開催されている。
CHAOSは、健常者からの腹部CTとMRデータの両方を提供し、腹腔内臓器の分節化を図っている。
5つの異なる補完的なタスクは、複数の視点から現在のアプローチの能力を分析するように設計されている。
この結果は手動のアノテーションやインタラクティブな手法と比較して徹底的に研究されている。
分析の結果、単一モダリティ(CT/MR)のDLモデルの性能は信頼性の高いボリューム分析性能(DICE: 0.98 $\pm$ 0.00 / 0.95 $\pm$ 0.01)を示すが、最高のMSSD性能は21.89 $\pm$ 13.94 / 20.85 $\pm$ 10.63 mm)にとどまった。
DICE: 0.88 $\pm$ 0.15 MSSD: 36.33 $\pm$ 21.97 mm) と全ての臓器(DICE: 0.85 $\pm$ 0.21 MSSD: 33.17 $\pm$ 38.93 mm)において、参加モデルのパフォーマンスは大幅に低下する。
異なる応用例にもかかわらず、全ての臓器を分割するように設計されたマルチタスクdlモデルは、臓器固有のものに比べてパフォーマンスが悪く見える(パフォーマンス低下は約5\%)。
さらに、クロスモダリティセグメンテーションに関するさらなる研究の方向性は、実際の臨床応用を著しく支援するだろう。
さらに,1500名以上の参加者が参加し,論文のもうひとつの重要な貢献は,複数投稿の効果や覗き見現象などの課題組織の欠点の分析である。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - Zero-shot 3D Segmentation of Abdominal Organs in CT Scans Using Segment Anything Model 2 [0.4477747148398817]
我々は,8施設のTotalSegmentator CTデータセットのサブセットを用いて,SAM2の腹腔内臓器の分画能力を評価した。
The Dice similarity coefficient (DSC) and " negative prompts" were analyzed。
肝 0.821 pm 0.192,右腎 0.862 pm 0.212,左腎 0.870 pm 0.154,脾 0.891 pm 0.131。
論文 参考訳（メタデータ） (2024-08-12T14:16:10Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。
MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。
このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
論文 参考訳（メタデータ） (2024-05-09T17:33:09Z) - SynergyNet: Bridging the Gap between Discrete and Continuous
Representations for Precise Medical Image Segmentation [4.562266115935329]
既存のエンコーダ/デコーダセグメンテーションフレームワークを強化するために設計された新しいボトルネックアーキテクチャであるSynergyNetを提案する。
マルチオーガナイズドセグメンテーションと心的データセットを用いた実験により,SynergyNetが他の技術手法よりも優れていることが示された。
我々の革新的なアプローチは、医用画像解析の重要な領域において、ディープラーニングモデルの全体的な性能と能力を高める方法である。
論文 参考訳（メタデータ） (2023-10-26T20:13:44Z) - Multi-Modality Abdominal Multi-Organ Segmentation with Deep Supervised
3D Segmentation Model [0.12183405753834559]
AMOS 2022チャレンジの解決策を提示する。
我々は、ベースモデルとして、ディープ・スーパービジョンを備えた残留U-Netを採用している。
実験の結果,Dice類似度係数と正規化表面ダイスの平均スコアはそれぞれ0.8504,0.8476であり,CT/MRIでは0.8476であった。
論文 参考訳（メタデータ） (2022-08-24T03:37:54Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳（メタデータ） (2022-01-04T02:35:56Z) - Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS)
Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。
現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。
2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。
簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文 参考訳（メタデータ） (2022-01-03T03:06:38Z) - AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? [30.338209680140913]
今回,12の医療センターから1000 (1K) 以上のCT検査を行い, 腹部CT臓器分節データセットAbdomenCT-1Kについて検討した。
肝,腎,脾,膵の分画について大規模に検討し,SOTA法の未解決分画問題を明らかにする。
未解決の問題を推し進めるために, 完全教師付き, 半教師付き, 弱教師付き, 連続学習のための4つのオルガンセグメンテーションベンチマークを構築した。
論文 参考訳（メタデータ） (2020-10-28T08:15:27Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。