論文の概要: The International Workshop on Osteoarthritis Imaging Knee MRI Segmentation Challenge: A Multi-Institute Evaluation and Analysis Framework on a Standardized Dataset

• arxiv url: http://arxiv.org/abs/2004.14003v2
• Date: Tue, 26 May 2020 19:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:29:35.294717
• Title: The International Workshop on Osteoarthritis Imaging Knee MRI Segmentation Challenge: A Multi-Institute Evaluation and Analysis Framework on a Standardized Dataset
• Title（参考訳）: 変形性膝関節症mriセグメンテーションに関する国際ワークショップ:標準化データセットに関する多施設共同評価と分析フレームワーク
• Authors: Arjun D. Desai, Francesco Caliva, Claudia Iriondo, Naji Khosravan, Aliasghar Mortazi, Sachin Jambawalikar, Drew Torigian, Jutta Ellermann, Mehmet Akcakaya, Ulas Bagci, Radhika Tibrewala, Io Flament, Matthew O`Brien, Sharmila Majumdar, Mathias Perslev, Akshay Pai, Christian Igel, Erik B. Dam, Sibaji Gaj, Mingrui Yang, Kunio Nakamura, Xiaojuan Li, Cem M. Deniz, Vladimir Juras, Ravinder Regatte, Garry E. Gold, Brian A. Hargreaves, Valentina Pedoia, Akshay S. Chaudhari
• Abstract要約: 人工膝関節置換術を施行し, 人工膝関節置換術を施行し, 人工膝関節置換術を施行した。 Diceスコア, 平均対称表面距離, ボリュームオーバーラップ誤差, およびホールドアウトテストセットの変動係数を用いて, 課題提出と多数投票のアンサンブルを評価した。
• 参考スコア（独自算出の注目度）: 10.527298477861564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To organize a knee MRI segmentation challenge for characterizing the semantic and clinical efficacy of automatic segmentation methods relevant for monitoring osteoarthritis progression. Methods: A dataset partition consisting of 3D knee MRI from 88 subjects at two timepoints with ground-truth articular (femoral, tibial, patellar) cartilage and meniscus segmentations was standardized. Challenge submissions and a majority-vote ensemble were evaluated using Dice score, average symmetric surface distance, volumetric overlap error, and coefficient of variation on a hold-out test set. Similarities in network segmentations were evaluated using pairwise Dice correlations. Articular cartilage thickness was computed per-scan and longitudinally. Correlation between thickness error and segmentation metrics was measured using Pearson's coefficient. Two empirical upper bounds for ensemble performance were computed using combinations of model outputs that consolidated true positives and true negatives. Results: Six teams (T1-T6) submitted entries for the challenge. No significant differences were observed across all segmentation metrics for all tissues (p=1.0) among the four top-performing networks (T2, T3, T4, T6). Dice correlations between network pairs were high (>0.85). Per-scan thickness errors were negligible among T1-T4 (p=0.99) and longitudinal changes showed minimal bias (<0.03mm). Low correlations (<0.41) were observed between segmentation metrics and thickness error. The majority-vote ensemble was comparable to top performing networks (p=1.0). Empirical upper bound performances were similar for both combinations (p=1.0). Conclusion: Diverse networks learned to segment the knee similarly where high segmentation accuracy did not correlate to cartilage thickness accuracy. Voting ensembles did not outperform individual networks but may help regularize individual models.
• Abstract（参考訳）: 目的: 変形性関節症進行のモニタリングに係わる自動セグメンテーション法の意義と臨床効果を特徴付けるため, 膝関節mriセグメンテーションチャレンジを組織すること。 方法: 足底関節軟骨と半月板分節の2点において, 88名の被験者から得られた3次元膝関節MRIによるデータセット分割を標準化した。 Diceスコア, 平均対称表面距離, ボリュームオーバーラップ誤差, およびホールドアウトテストセットの変動係数を用いて, 課題提出と多数投票のアンサンブルを評価した。 ネットワークセグメンテーションの類似性はペアワイズサイス相関を用いて評価した。 関節軟骨厚はスキャン毎および縦方向に算出した。 Pearson係数を用いて厚さ誤差とセグメンテーションの相関を測定した。 実正と真負を結合したモデル出力の組み合わせを用いてアンサンブル性能の2つの経験的上限を計算した。 結果: 6チーム(T1-T6)が挑戦のエントリーを提出した。 全組織 (p=1.0) に有意差は認められなかった(T2, T3, T4, T6)。 ネットワーク対間のダイス相関は高い (>0.85) 。 t1-t4 (p=0.99) ではスカン当たりの厚さ誤差は無視でき, 縦変化は最小バイアス(<0.03mm) であった。 セグメンテーション測定値と厚さ誤差との間には相関が低かった(<0.41)。 多数決のアンサンブルは、トップパフォーマンスネットワーク(p=1.0)に匹敵するものだった。 経験的な上界性能は両組み合わせ(p=1.0)でも同様であった。 結論: 多様なネットワークは, 高い分節精度が軟骨厚の精度と相関しない膝の分節を学習した。 投票アンサンブルは個々のネットワークを上回らず、個々のモデルを規則化するのに役立つかもしれない。

関連論文リスト

• Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI using Deep Learning [0.0]
  我々は,CTおよびMRIを用いたソフト・タウト・腫瘍(STT)のための,最小限の対話型深層学習に基づくセグメンテーション法を開発した。 この方法は、畳み込みニューラルネットワークの入力として、腫瘍の極端な境界付近で6つの点をクリックする必要がある。
  論文  参考訳（メタデータ） (2024-02-12T16:15:28Z)
• 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)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Automated segmentation of 3-D body composition on computed tomography [0.0]
  VAT,SAT,IMAT,SM,骨の5種類の異なる体組成を手動でアノテートした。 畳み込みニューラルネットワーク(CNN)の性能評価と評価に10倍のクロスバリデーション法が用いられた。 3つのCNNモデルの中で、UNetは5つのボディ構成を共同でセグメント化する上で、最高の全体的な性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T15:38:27Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Open source software for automatic subregional assessment of knee cartilage degradation using quantitative T2 relaxometry and deep learning [0.0]
  MESE MRIから大腿骨軟骨を分割するためにニューラルネットワークを訓練した。 軟骨は中側,表層深度,前後境界に沿って12の亜領域に分けられた。
  論文  参考訳（メタデータ） (2020-12-22T23:08:41Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。