論文の概要: A Computed Tomography Vertebral Segmentation Dataset with Anatomical
Variations and Multi-Vendor Scanner Data
- arxiv url: http://arxiv.org/abs/2103.06360v1
- Date: Wed, 10 Mar 2021 22:07:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 01:00:35.687755
- Title: A Computed Tomography Vertebral Segmentation Dataset with Anatomical
Variations and Multi-Vendor Scanner Data
- Title（参考訳）: 解剖学的変異とマルチベンダスキャナデータを用いたct椎間板分割データセット
- Authors: Hans Liebl (1), David Schinz (1), Anjany Sekuboyina (1 and 2), Luca
Malagutti (1), Maximilian T. L\"offler (3), Amirhossein Bayat (1 and 2),
Malek El Husseini (1 and 2), Giles Tetteh (1 and 2), Katharina Grau (1), Eva
Niederreiter (1), Thomas Baum (1), Benedikt Wiestler (1), Bjoern Menze (2),
Rickmer Braren (4), Claus Zimmer (1), Jan S. Kirschke (1) ((1) Department of
Diagnostic and Interventional Neuroradiology, School of Medicine, Klinikum
rechts der Isar, Technical University of Munich, Germany (2) Department of
Informatics, Technical University of Munich, Germany (3) Department of
Diagnostic and Interventional Radiology, University Medical Center Freiburg,
Freiburg im Breisgau, Germany (4) Department of Diagnostic and Interventional
Radiology, School of Medicine, Klinikum rechts der Isar, Technical University
of Munich, Germany)
- Abstract要約: We report on the largely increase VerSe 2020 data and results from the second iteration of the VerSe Challenge (MICCAI 2020, Lima, Peru)
VerSe 2020は、300人の被験者の注釈付き脊椎CT(en:Annotated spine Computeed tomography)画像と4142の完全な視覚化と注釈付き脊椎を含む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of deep learning algorithms, fully automated radiological
image analysis is within reach. In spine imaging, several atlas- and
shape-based as well as deep learning segmentation algorithms have been
proposed, allowing for subsequent automated analysis of morphology and
pathology. The first Large Scale Vertebrae Segmentation Challenge (VerSe 2019)
showed that these perform well on normal anatomy, but fail in variants not
frequently present in the training dataset. Building on that experience, we
report on the largely increased VerSe 2020 dataset and results from the second
iteration of the VerSe challenge (MICCAI 2020, Lima, Peru). VerSe 2020
comprises annotated spine computed tomography (CT) images from 300 subjects
with 4142 fully visualized and annotated vertebrae, collected across multiple
centres from four different scanner manufacturers, enriched with cases that
exhibit anatomical variants such as enumeration abnormalities (n=77) and
transitional vertebrae (n=161). Metadata includes vertebral labelling
information, voxel-level segmentation masks obtained with a human-machine
hybrid algorithm and anatomical ratings, to enable the development and
benchmarking of robust and accurate segmentation algorithms.
- Abstract（参考訳）: ディープラーニングアルゴリズムの出現により、完全に自動化された放射線画像解析が到達範囲内にある。
脊椎イメージングでは、いくつかのアトラスと形状に基づく深層学習セグメンテーションアルゴリズムが提案され、その後、形態学と病理学の自動解析が可能となった。
最初の大規模Vertebrae Segmentation Challenge (VerSe 2019)は、これらが正常な解剖学的に良好に機能することを示したが、トレーニングデータセットに頻繁に存在しない変種では失敗する。
この経験に基づいて,VerSe 2020データセットの大幅な増加と,VerSeチャレンジの第2回(MICCAI 2020, Lima, Peru)の結果について報告する。
VerSe 2020は、4つの異なるスキャナーメーカーから複数のセンターで収集され、列挙異常 (n=77) や移行椎骨 (n=161) などの解剖学的変異を示すケースが豊富である300名の被験者の注釈付き脊椎CT画像を含む。
メタデータには、脊椎ラベリング情報、ヒトと機械のハイブリッドアルゴリズムと解剖学的評価を用いて得られたボクセルレベルのセグメンテーションマスクが含まれており、堅牢で正確なセグメンテーションアルゴリズムの開発とベンチマークを可能にする。
関連論文リスト
- ISLES 2024: The first longitudinal multimodal multi-center real-world dataset in (sub-)acute stroke [2.7919032539697444]
ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を負っている。
脳卒中画像から有意義で再現可能な脳機能のモデルを抽出できる機械学習アルゴリズムを開発する。
このデータセットは, 血管造影と灌流による急性CT像, 2～9日間の経過観察, 急性期, 慢性期の臨床データなど, 経時的脳梗塞の包括的データとして初めて提供された。
論文 参考訳（メタデータ） (2024-08-20T18:59:52Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - An Unpaired Cross-modality Segmentation Framework Using Data
Augmentation and Hybrid Convolutional Networks for Segmenting Vestibular
Schwannoma and Cochlea [7.7150383247700605]
CrossMoDAの課題は、未ラベル高分解能T2スキャンで前庭神経癌(VS)腫瘍とコチェリー領域を自動的に分離することである。
2022年版では、セグメンテーションタスクを多施設スキャンで拡張している。
本稿では,データ拡張とハイブリッド畳み込みネットワークを用いた非対向型クロスモーダルセグメンテーションフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-28T01:15:33Z) - 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) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - 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。