論文の概要: Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge
- arxiv url: http://arxiv.org/abs/2007.02096v2
- Date: Sat, 11 Jul 2020 13:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 13:18:41.188449
- Title: Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge
- Title（参考訳）: マルチサイト乳幼児脳セグメンテーションアルゴリズム: iseg-2019チャレンジ
- Authors: Yue Sun, Kun Gao, Zhengwang Wu, Zhihao Lei, Ying Wei, Jun Ma, Xiaoping
Yang, Xue Feng, Li Zhao, Trung Le Phan, Jitae Shin, Tao Zhong, Yu Zhang,
Lequan Yu, Caizi Li, Ramesh Basnet, M. Omair Ahmad, M.N.S. Swamy, Wenao Ma,
Qi Dou, Toan Duc Bui, Camilo Bermudez Noguera, Bennett Landman (Senior
Member, IEEE), Ian H. Gotlib, Kathryn L. Humphreys, Sarah Shultz, Longchuan
Li, Sijie Niu, Weili Lin, Valerie Jewells, Gang Li (Senior Member, IEEE),
Dinggang Shen (Fellow, IEEE), Li Wang (Senior Member, IEEE)
- Abstract要約: iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。
私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
- 参考スコア（独自算出の注目度）: 53.48285637256203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To better understand early brain growth patterns in health and disorder, it
is critical to accurately segment infant brain magnetic resonance (MR) images
into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF). Deep
learning-based methods have achieved state-of-the-art performance; however, one
of major limitations is that the learning-based methods may suffer from the
multi-site issue, that is, the models trained on a dataset from one site may
not be applicable to the datasets acquired from other sites with different
imaging protocols/scanners. To promote methodological development in the
community, iSeg-2019 challenge (http://iseg2019.web.unc.edu) provides a set of
6-month infant subjects from multiple sites with different protocols/scanners
for the participating methods. Training/validation subjects are from UNC (MAP)
and testing subjects are from UNC/UMN (BCP), Stanford University, and Emory
University. By the time of writing, there are 30 automatic segmentation methods
participating in iSeg-2019. We review the 8 top-ranked teams by detailing their
pipelines/implementations, presenting experimental results and evaluating
performance in terms of the whole brain, regions of interest, and gyral
landmark curves. We also discuss their limitations and possible future
directions for the multi-site issue. We hope that the multi-site dataset in
iSeg-2019 and this review article will attract more researchers on the
multi-site issue.
- Abstract（参考訳）: 健康と障害の早期の脳成長パターンをよりよく理解するためには、幼児の脳磁気共鳴(MR)画像を白質(WM)、灰白質(GM)、髄液(CSF)に正確に分割することが重要である。
ディープラーニングベースの手法は最先端のパフォーマンスを達成したが、大きな制限のひとつは、学習ベースの手法がマルチサイト問題、すなわち、あるサイトからデータセットでトレーニングされたモデルは、異なるイメージングプロトコル/スキャナーを持つ他のサイトから取得したデータセットには適用できない可能性があることである。
コミュニティにおける方法論開発を促進するため、iSeg-2019 Challenge (http://iseg2019.web.unc.edu)は、様々なプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
研修・検証科目はUNC(MAP)、試験科目はUNC/UMN(BCP)、スタンフォード大学、エモリー大学である。
執筆時点では、iSeg-2019に参加する自動セグメンテーションメソッドが30ある。
パイプライン/実装を詳述し、実験結果を示し、脳全体、関心領域、ジャラルランドマーク曲線の観点からパフォーマンスを評価することで、8つのトップランクチームについてレビューした。
また,多地点問題の限界と今後の方向性についても論じる。
iseg-2019のマルチサイトデータセットと、このレビュー記事がマルチサイト問題に関する研究者を引き付けることを期待しています。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks [0.9304666952022026]
本研究は、BraTS-GoATチャレンジの一環として、脳腫瘍セグメンテーション法を提案する。
課題は、成人、小児科、サハラ以南のアフリカなどの様々な集団から脳MRIスキャンで腫瘍を抽出することである。
実験の結果, 平均DSCは85.54%, HD95は27.88。
論文 参考訳（メタデータ） (2024-05-05T08:55:00Z) - Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。
データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。
実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-29T13:33:21Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal
MRI [10.127399319119911]
本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。
提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
論文 参考訳（メタデータ） (2022-05-17T11:23:02Z) - Fetal Brain Tissue Annotation and Segmentation Challenge Results [35.575646854499716]
In-utero fetal MRIは、発達するヒト脳の診断と解析において重要なツールとして浮上している。
我々は2021年に組織胎児(FeTA)チャレンジを組織し,自動セグメンテーションアルゴリズムの開発を奨励した。
本稿では,臨床と臨床の両方の観点から,その結果を詳細に分析する。
論文 参考訳（メタデータ） (2022-04-20T16:14:43Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Deep Learning Based Brain Tumor Segmentation: A Survey [26.933777009547047]
脳腫瘍のセグメンテーションは、医療画像解析において最も難しい問題の一つである。
深層学習法は様々なコンピュータビジョン問題の解法において有望な性能を示した。
この調査では100以上の科学論文が選定され議論されている。
論文 参考訳（メタデータ） (2020-07-18T17:14:50Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - 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。