論文の概要: AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem?

• arxiv url: http://arxiv.org/abs/2010.14808v2
• Date: Wed, 21 Jul 2021 03:36:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 05:30:22.387187
• Title: AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem?
• Title（参考訳）: AbdomenCT-1K:腹部臓器切開は解決の問題か?
• Authors: Jun Ma, Yao Zhang, Song Gu, Cheng Zhu, Cheng Ge, Yichi Zhang, Xingle An, Congcong Wang, Qiyuan Wang, Xin Liu, Shucheng Cao, Qi Zhang, Shangqing Liu, Yunpeng Wang, Yuhui Li, Jian He, Xiaoping Yang
• Abstract要約: 今回,12の医療センターから1000 (1K) 以上のCT検査を行い, 腹部CT臓器分節データセットAbdomenCT-1Kについて検討した。 肝,腎,脾,膵の分画について大規模に検討し,SOTA法の未解決分画問題を明らかにする。 未解決の問題を推し進めるために, 完全教師付き, 半教師付き, 弱教師付き, 連続学習のための4つのオルガンセグメンテーションベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 30.338209680140913
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the unprecedented developments in deep learning, automatic segmentation of main abdominal organs seems to be a solved problem as state-of-the-art (SOTA) methods have achieved comparable results with inter-rater variability on many benchmark datasets. However, most of the existing abdominal datasets only contain single-center, single-phase, single-vendor, or single-disease cases, and it is unclear whether the excellent performance can generalize on diverse datasets. This paper presents a large and diverse abdominal CT organ segmentation dataset, termed AbdomenCT-1K, with more than 1000 (1K) CT scans from 12 medical centers, including multi-phase, multi-vendor, and multi-disease cases. Furthermore, we conduct a large-scale study for liver, kidney, spleen, and pancreas segmentation and reveal the unsolved segmentation problems of the SOTA methods, such as the limited generalization ability on distinct medical centers, phases, and unseen diseases. To advance the unsolved problems, we further build four organ segmentation benchmarks for fully supervised, semi-supervised, weakly supervised, and continual learning, which are currently challenging and active research topics. Accordingly, we develop a simple and effective method for each benchmark, which can be used as out-of-the-box methods and strong baselines. We believe the AbdomenCT-1K dataset will promote future in-depth research towards clinical applicable abdominal organ segmentation methods. The datasets, codes, and trained models are publicly available at https://github.com/JunMa11/AbdomenCT-1K.
• Abstract（参考訳）: 深層学習における前例のない進歩により,多くのベンチマークデータセットにおいて,最先端のSOTA (State-of-the-art) 手法がレータ間変動に匹敵する結果を得たため,主腹部臓器の自動分割は解決された問題であると考えられる。 しかし,既存の腹部データセットの多くは単一中心,単相,単相,単相のケースのみを含んでおり,優れたパフォーマンスが多様なデータセットで一般化できるかどうかは不明である。 本稿では,多段階,多ベンダ,多疾患を含む12の医療センターから1000 (1K) 以上のCTスキャンを行い,AbdomenCT-1Kとよばれる腹部CT臓器分割データセットを提案する。 さらに, 肝臓, 腎臓, 脾臓, 膵臓のセグメンテーションを大規模に検討し, 異なる医療センター, フェーズ, 未確認疾患に対する限定的な一般化能力など, SOTA法の未解決セグメンテーション問題を明らかにする。 未解決問題を進めるため,我々は,現在挑戦的で活発な研究課題である,完全教師あり,半教師あり,弱い教師あり,継続的な学習のための4つの臓器分節ベンチマークを構築した。 そこで本研究では,各ベンチマークに対する簡易かつ効果的な手法を開発し,既定の手法と強力なベースラインとして使用できる。 abdomenct-1kデータセットは,臨床応用腹部臓器分画法に関する今後の詳細な研究を促進するものと思われる。 データセット、コード、トレーニングされたモデルはhttps://github.com/JunMa11/AbdomenCT-1Kで公開されている。

関連論文リスト

• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Boundary-Aware Network for Abdominal Multi-Organ Segmentation [21.079667938055668]
  腹部臓器をCTとMRIに分割する境界認識ネットワーク(BA-Net)を提案する。 その結果,両セグメンテーションタスクにおいて,BA-NetはnnUNetよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-08-29T02:24:02Z)
• AMOS: A Large-Scale Abdominal Multi-Organ Benchmark for Versatile Medical Image Segmentation [32.938687630678096]
  AMOSは、腹部臓器の分節のための大規模で多様な臨床データセットである。 さまざまなターゲットとシナリオの下で堅牢なセグメンテーションアルゴリズムを研究する上で、難しい例とテストベッドを提供する。 我々は、この新たな挑戦的データセット上で既存の方法の現状を評価するために、最先端の医療セグメンテーションモデルをいくつかベンチマークする。
  論文  参考訳（メタデータ） (2022-06-16T09:27:56Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• WORD: Revisiting Organs Segmentation in the Whole Abdominal Region [14.752924082744814]
  全腹部臓器の分節は腹部病変の診断,放射線治療計画,経過観察において重要な役割を担っている。 深層学習に基づく医療画像のセグメンテーションは、手動のデライン化の労力を減らす可能性を示しているが、それでもトレーニングには大規模な微妙な注釈付きデータセットが必要である。 本研究では,アルゴリズム研究と臨床応用のための大規模なtextitWhole abdominal textitORgans textitDataset (textitWORD) を確立する。
  論文  参考訳（メタデータ） (2021-11-03T02:26:14Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random Anatomical Prior [4.177877537413942]
  粗密な腹部マルチオルガンセグメンテーションは、高解像度セグメンテーションの抽出を容易にします。 複数の臓器に対応するモデルに代えて,全腹部臓器を分節する単一改良モデルを提案する。 提案手法は,平均diceスコアが84.58%と,81.69% (p0.0001) の13モデルにおいて,最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-23T00:22:05Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• 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)
• CHAOS Challenge -- Combined (CT-MR) Healthy Abdominal Organ Segmentation [7.429032855333529]
  CHAOSは、健常者からの腹部CTとMRデータの両方を提供し、腹腔内臓器の分節化を図っている。 5つの異なる補完的なタスクは、複数の視点から現在のアプローチの能力を分析するように設計されている。 分析の結果,単一モード (CT / MR) におけるDLモデルの性能は,信頼性の高いボリューム解析性能 (DICE: 0.98 $pm$ 0.00 / 0.95 $pm$ 0.01) を示すことができたが,最高の MSSD 性能は依然として制限されている (21.89 $pm$ 13.94 / 20.85 $pm$pm$ 10.63 mm)。
  論文  参考訳（メタデータ） (2020-01-17T21:11:46Z)

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。