論文の概要: Validation and Optimization of Multi-Organ Segmentation on Clinical Imaging Archives

• arxiv url: http://arxiv.org/abs/2002.04102v1
• Date: Mon, 10 Feb 2020 21:49:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:39:58.000312
• Title: Validation and Optimization of Multi-Organ Segmentation on Clinical Imaging Archives
• Title（参考訳）: 臨床画像アーカイブにおけるマルチオルガンセグメンテーションの検証と最適化
• Authors: Yuchen Xu, Olivia Tang, Yucheng Tang, Ho Hin Lee, Yunqiang Chen, Dashan Gao, Shizhong Han, Riqiang Gao, Michael R. Savona, Richard G. Abramson, Yuankai Huo, Bennett A. Landman
• Abstract要約: 2015年のMICCAIチャレンジは、多臓器性腹部CTセグメンテーションの大幅な革新を引き起こした。 近年のディープメソッドの革新は、臨床翻訳が魅力的であるレベルにパフォーマンスを誘導している。 オープンデータセットのクロスバリデーションは間接的な知識汚染のリスクを示し、円形の推論をもたらす可能性がある。
• 参考スコア（独自算出の注目度）: 7.036733782879497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of abdominal computed tomography(CT) provides spatial context, morphological properties, and a framework for tissue-specific radiomics to guide quantitative Radiological assessment. A 2015 MICCAI challenge spurred substantial innovation in multi-organ abdominal CT segmentation with both traditional and deep learning methods. Recent innovations in deep methods have driven performance toward levels for which clinical translation is appealing. However, continued cross-validation on open datasets presents the risk of indirect knowledge contamination and could result in circular reasoning. Moreover, 'real world' segmentations can be challenging due to the wide variability of abdomen physiology within patients. Herein, we perform two data retrievals to capture clinically acquired deidentified abdominal CT cohorts with respect to a recently published variation on 3D U-Net (baseline algorithm). First, we retrieved 2004 deidentified studies on 476 patients with diagnosis codes involving spleen abnormalities (cohort A). Second, we retrieved 4313 deidentified studies on 1754 patients without diagnosis codes involving spleen abnormalities (cohort B). We perform prospective evaluation of the existing algorithm on both cohorts, yielding 13% and 8% failure rate, respectively. Then, we identified 51 subjects in cohort A with segmentation failures and manually corrected the liver and gallbladder labels. We re-trained the model adding the manual labels, resulting in performance improvement of 9% and 6% failure rate for the A and B cohorts, respectively. In summary, the performance of the baseline on the prospective cohorts was similar to that on previously published datasets. Moreover, adding data from the first cohort substantively improved performance when evaluated on the second withheld validation cohort.
• Abstract（参考訳）: 腹部CT(Segmentation of abdominal Computed Tomography)は, 空間的文脈, 形態的特性, 組織特異的放射線学的評価の枠組みを提供する。 2015年のMICCAIチャレンジは、従来の学習法と深層学習法の両方で、多臓器の腹部CTセグメンテーションに大きな革新をもたらした。 近年の深い方法の革新により、臨床翻訳がアピールされるレベルへのパフォーマンスが向上している。 しかし、オープンデータセット上での相互検証は間接的な知識汚染のリスクを示し、循環推論をもたらす可能性がある。 さらに,患者の腹部生理学の多様性が広いことから,「現実世界」のセグメンテーションは困難である。 そこで本研究では,最近発表された3D U-Net(ベースラインアルゴリズム)の変動に対して,臨床に取得した腹部CTコホートを抽出する2つのデータ検索を行った。 まず, 脾臓異常 (cohort a) を伴う診断コード476例について, 2004年度の同定調査を行った。 第2に,脾臓異常(コホートb)を伴わない1754例について,4313例の同定調査を行った。 両コホートにおける既存アルゴリズムの予測評価を行い,それぞれ13%,8%の故障率を示した。 そして, 分節不全を伴う51例のコホートaを同定し, 肝・胆嚢ラベルを手作業で修正した。 我々は,手動ラベルを追加するモデルを再訓練し,AとBのコホートにおいて,9%と6%の性能改善を実現した。 要約すると、prospective cohortsのベースラインのパフォーマンスは、以前公開されたデータセットのものと似ている。 さらに、第1のコホートからのデータの追加により、第2の保留検証コホート上で評価した場合のパフォーマンスが大幅に向上した。

関連論文リスト

• Devil is in Details: Locality-Aware 3D Abdominal CT Volume Generation for Self-Supervised Organ Segmentation [5.395145012900144]
  Locality-Aware Diffusion (Lad) は, 3次元腹部CTボリューム生成に適した新しい方法である。 AbdomenCT-1KデータセットのFIDスコアは0.0034から0.0002に低下した。 これらの結果は, 医用画像解析における自己教師あり学習を促進するための合成データの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-09-30T14:35:53Z)
• A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge [30.611482996378683]
  画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。 2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。 トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
  論文  参考訳（メタデータ） (2024-03-28T13:56:26Z)
• Re-identification from histopathology images [0.4154350202907906]
  本研究は, 比較的単純な深層学習アルゴリズムでも, 大規模な病理組織学データセットの患者を相当精度で再同定できることを実証する。 本研究は, 患者プライバシに対するリスク評価手法について, 発表前のリスク評価手法を定式化した。
  論文  参考訳（メタデータ） (2024-03-19T15:15:19Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• Kidney abnormality segmentation in thorax-abdomen CT scans [4.173079849880476]
  腎腺腫と腎異常を鑑別するための深層学習手法を提案する。 胸腹部CTで215例の造影CT検査を施行した。 Diceスコアが0.965, 0.947となり, 腎発作を2つの検体で分けた。
  論文  参考訳（メタデータ） (2023-09-06T22:04:07Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。