論文の概要: Robust Medical Instrument Segmentation Challenge 2019

• arxiv url: http://arxiv.org/abs/2003.10299v2
• Date: Tue, 19 May 2020 12:27:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 00:26:33.402861
• Title: Robust Medical Instrument Segmentation Challenge 2019
• Title（参考訳）: ロバスト医療機器セグメンテーションチャレンジ2019
• Authors: Tobias Ross, Annika Reinke, Peter M. Full, Martin Wagner, Hannes Kenngott, Martin Apitz, Hellena Hempe, Diana Mindroc Filimon, Patrick Scholz, Thuy Nuong Tran, Pierangela Bruno, Pablo Arbel\'aez, Gui-Bin Bian, Sebastian Bodenstedt, Jon Lindstr\"om Bolmgren, Laura Bravo-S\'anchez, Hua-Bin Chen, Cristina Gonz\'alez, Dong Guo, P{\aa}l Halvorsen, Pheng-Ann Heng, Enes Hosgor, Zeng-Guang Hou, Fabian Isensee, Debesh Jha, Tingting Jiang, Yueming Jin, Kadir Kirtac, Sabrina Kletz, Stefan Leger, Zhixuan Li, Klaus H. Maier-Hein, Zhen-Liang Ni, Michael A. Riegler, Klaus Schoeffmann, Ruohua Shi, Stefanie Speidel, Michael Stenzel, Isabell Twick, Gutai Wang, Jiacheng Wang, Liansheng Wang, Lu Wang, Yujie Zhang, Yan-Jie Zhou, Lei Zhu, Manuel Wiesenfarth, Annette Kopp-Schneider, Beat P. M\"uller-Stich, Lena Maier-Hein
• Abstract要約: 腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
• 参考スコア（独自算出の注目度）: 56.148440125599905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intraoperative tracking of laparoscopic instruments is often a prerequisite for computer and robotic-assisted interventions. While numerous methods for detecting, segmenting and tracking of medical instruments based on endoscopic video images have been proposed in the literature, key limitations remain to be addressed: Firstly, robustness, that is, the reliable performance of state-of-the-art methods when run on challenging images (e.g. in the presence of blood, smoke or motion artifacts). Secondly, generalization; algorithms trained for a specific intervention in a specific hospital should generalize to other interventions or institutions. In an effort to promote solutions for these limitations, we organized the Robust Medical Instrument Segmentation (ROBUST-MIS) challenge as an international benchmarking competition with a specific focus on the robustness and generalization capabilities of algorithms. For the first time in the field of endoscopic image processing, our challenge included a task on binary segmentation and also addressed multi-instance detection and segmentation. The challenge was based on a surgical data set comprising 10,040 annotated images acquired from a total of 30 surgical procedures from three different types of surgery. The validation of the competing methods for the three tasks (binary segmentation, multi-instance detection and multi-instance segmentation) was performed in three different stages with an increasing domain gap between the training and the test data. The results confirm the initial hypothesis, namely that algorithm performance degrades with an increasing domain gap. While the average detection and segmentation quality of the best-performing algorithms is high, future research should concentrate on detection and segmentation of small, crossing, moving and transparent instrument(s) (parts).
• Abstract（参考訳）: 腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 内視鏡的映像画像に基づく医療機器の検出, 分割, 追跡に関する多くの手法が文献に提案されているが, 第一に, 頑健性, 即ち, 困難な画像(例えば血液, 煙, 運動アーチファクトの有無)上での最先端手法の信頼性が問題となる。 第二に、特定の病院への特定の介入のために訓練されたアルゴリズムは、他の介入や機関に一般化されるべきである。 これらの制限に対する解決策を促進するために、ロバスト・ミズ(robust-mis)チャレンジを、アルゴリズムのロバスト性と一般化能力に焦点を絞った国際ベンチマークコンペティションとして組織した。 内視鏡的画像処理の分野では初めて,バイナリセグメンテーションの課題と,マルチインスタンス検出とセグメンテーションの課題が紹介された。 この課題は、3種類の手術から合計30の手術手順から得られた10,040個の注釈付き画像からなる手術データセットに基づいていた。 3つのタスク(バイナリセグメンテーション、マルチインテンス検出、マルチインテンスセグメンテーション)の競合する方法の検証は、トレーニングとテストデータの間のドメインギャップの増加とともに、3つの異なるステージで実施された。 その結果,初期仮説,すなわちアルゴリズム性能がドメインギャップの増加とともに低下することを確認した。 最適性能アルゴリズムの平均検出とセグメンテーション品質は高いが、将来の研究は、小型、横断型、移動型、透明な機器(部品)の検出とセグメンテーションに集中すべきである。

関連論文リスト

• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• SAR-RARP50: Segmentation of surgical instrumentation and Action Recognition on Robot-Assisted Radical Prostatectomy Challenge [72.97934765570069]
  外科的動作認識と意味計測のセグメンテーションのための,最初のマルチモーダルなインビボデータセットを公開し,ロボット補助根治術(RARP)の50の縫合ビデオセグメントを収録した。 この課題の目的は、提供されたデータセットのスケールを活用し、外科領域における堅牢で高精度なシングルタスクアクション認識とツールセグメンテーションアプローチを開発することである。 合計12チームがこのチャレンジに参加し、7つのアクション認識方法、9つの計器のセグメンテーション手法、そしてアクション認識と計器のセグメンテーションを統合した4つのマルチタスクアプローチをコントリビュートした。
  論文  参考訳（メタデータ） (2023-12-31T13:32:18Z)
• CholecTriplet2021: A benchmark challenge for surgical action triplet recognition [66.51610049869393]
  腹腔鏡下手術における三肢の認識のためにMICCAI 2021で実施した内視鏡的視力障害であるColecTriplet 2021を提案する。 課題の参加者が提案する最先端の深層学習手法の課題設定と評価について述べる。 4つのベースライン法と19の新しいディープラーニングアルゴリズムが提示され、手術ビデオから直接手術行動三重項を認識し、平均平均精度(mAP)は4.2%から38.1%である。
  論文  参考訳（メタデータ） (2022-04-10T18:51:55Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• The Medical Segmentation Decathlon [37.44481677534694]
  最先端の画像セグメンテーションアルゴリズムは、未確認のタスクで再訓練された場合、成熟し、正確で、一般化される。 一連のタスクにおける一貫した良いパフォーマンスは、以前は目に見えないタスクの異なるセットで、彼らの平均的なパフォーマンスを保った。 正確なAIセグメンテーションモデルのトレーニングは現在、非AI専門家にコモディティ化されている。
  論文  参考訳（メタデータ） (2021-06-10T13:34:06Z)
• Deep Learning in Medical Ultrasound Image Segmentation: a Review [9.992387025633805]
  これは、ヒトの組織を3Dで再構成するなど、臨床診断のための信頼性の高い基盤を提供するための重要なステップである。 深層学習に基づく超音波画像セグメンテーション法は,6つの主要群に分類される。 最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2020-02-18T16:33:22Z)
• 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。