論文の概要: IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning

• arxiv url: http://arxiv.org/abs/2003.02920v2
• Date: Mon, 6 Apr 2020 08:09:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:04:11.806454
• Title: IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning
• Title（参考訳）: 深層学習のための3次元脳動脈瘤内データセット
• Authors: Xi Yang, Ding Xia, Taichi Kin, Takeo Igarashi
• Abstract要約: IntrAというオープンアクセス型3次元頭蓋内動脈瘤データセットを導入し、ポイントベースおよびメッシュベース分類とセグメンテーションモデルの適用を可能にした。 本データセットは頭蓋内動脈瘤の診断に有用であり, 頸部を摘出し, クリッピング術を施行した。
• 参考スコア（独自算出の注目度）: 18.163031102785904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medicine is an important application area for deep learning models. Research in this field is a combination of medical expertise and data science knowledge. In this paper, instead of 2D medical images, we introduce an open-access 3D intracranial aneurysm dataset, IntrA, that makes the application of points-based and mesh-based classification and segmentation models available. Our dataset can be used to diagnose intracranial aneurysms and to extract the neck for a clipping operation in medicine and other areas of deep learning, such as normal estimation and surface reconstruction. We provide a large-scale benchmark of classification and part segmentation by testing state-of-the-art networks. We also discuss the performance of each method and demonstrate the challenges of our dataset. The published dataset can be accessed here: https://github.com/intra3d2019/IntrA.
• Abstract（参考訳）: 医学はディープラーニングモデルにとって重要な応用分野である。 この分野の研究は、医学の専門知識とデータサイエンスの知識の組み合わせである。 本稿では,2次元医用画像の代わりに,ポイントベースおよびメッシュベースの分類とセグメンテーションモデルの利用を可能にするオープンアクセス型3次元脳動脈瘤内データセットintraを提案する。 本データセットは頭蓋内動脈瘤の診断や,正常推定や表面再構成などの深層学習領域におけるクリッピング手術の首の抽出に有用である。 最先端ネットワークをテストすることにより,分類と部分分割の大規模ベンチマークを提供する。 また、各手法の性能についても検討し、データセットの課題を実証する。 公開されたデータセットは、以下にアクセスできる。

関連論文リスト

• Cross-Domain Distribution Alignment for Segmentation of Private Unannotated 3D Medical Images [20.206972068340843]
  本稿では、この問題を解決するために、新しいソースフリーなUnsupervised Domain Adaptation (UDA) 手法を提案する。 我々のアイデアは、ベースモデルにより、関連するソースドメインの内部的に学習された分布を推定することに基づいている。 我々は,実世界の3D医療データセット上でのSOTA性能を実証した。
  論文  参考訳（メタデータ） (2024-10-11T19:28:10Z)
• BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset [24.094836682245006]
  頭蓋内出血 (ICH) は頭蓋内出血や脳内出血を特徴とする病態である。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクにも応用されている。 既存の公開ICHデータセットは、マルチクラスセグメンテーション問題をサポートしない。
  論文  参考訳（メタデータ） (2023-08-22T09:20:55Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Applied Deep Learning to Identify and Localize Polyps from Endoscopic Images [0.0]
  我々は,ポリープや潰瘍のアノテーションを含むデータセットのオープンソース化を目指してきた。 これは、ポリプと潰瘍の画像を含むインド初のデータセットです。 大規模な公開データセットでトレーニングされた、人気のあるディープラーニングオブジェクト検出モデルを用いて、データセットを評価しました。
  論文  参考訳（メタデータ） (2023-01-22T22:14:25Z)
• Simulating Realistic MRI variations to Improve Deep Learning model and visual explanations using GradCAM [0.0]
  修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。 Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
  論文  参考訳（メタデータ） (2021-11-01T11:14:23Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• 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。