論文の概要: CTSpine1K: A Large-Scale Dataset for Spinal Vertebrae Segmentation in Computed Tomography

• arxiv url: http://arxiv.org/abs/2105.14711v1
• Date: Mon, 31 May 2021 05:34:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 05:14:12.475543
• Title: CTSpine1K: A Large-Scale Dataset for Spinal Vertebrae Segmentation in Computed Tomography
• Title（参考訳）: CTSpine1K:CTにおける脊椎椎間板分割のための大規模データセット
• Authors: Yang Deng, Ce Wang, Yuan Hui, Qian Li, Jun Li, Shiwei Luo, Mengke Sun, Quan Quan, Shuxin Yang, You Hao, Pengbo Liu, Honghu Xiao, Chunpeng Zhao, Xinbao Wu, S. Kevin Zhou
• Abstract要約: CTSpine1Kと呼ばれる大規模な脊椎CTデータセットを導入する。 このデータセットは1,005CTボリュームを含み、11,100以上のラベル付き脊椎は異なる脊椎の状態に属している。
• 参考スコア（独自算出の注目度）: 16.715882724830603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spine-related diseases have high morbidity and cause a huge burden of social cost. Spine imaging is an essential tool for noninvasively visualizing and assessing spinal pathology. Segmenting vertebrae in computed tomography (CT) images is the basis of quantitative medical image analysis for clinical diagnosis and surgery planning of spine diseases. Current publicly available annotated datasets on spinal vertebrae are small in size. Due to the lack of a large-scale annotated spine image dataset, the mainstream deep learning-based segmentation methods, which are data-driven, are heavily restricted. In this paper, we introduce a large-scale spine CT dataset, called CTSpine1K, curated from multiple sources for vertebra segmentation, which contains 1,005 CT volumes with over 11,100 labeled vertebrae belonging to different spinal conditions. Based on this dataset, we conduct several spinal vertebrae segmentation experiments to set the first benchmark. We believe that this large-scale dataset will facilitate further research in many spine-related image analysis tasks, including but not limited to vertebrae segmentation, labeling, 3D spine reconstruction from biplanar radiographs, image super-resolution, and enhancement.
• Abstract（参考訳）: 脊椎関連疾患は高い死亡率を持ち、社会的コストの大きな負担を引き起こす。 脊椎画像は非侵襲的に脊椎病理を可視化し評価するための重要なツールである。 CT画像における椎骨分割は,脊椎疾患の臨床診断と手術計画のための定量的医用画像解析の基礎となる。 現在公開されている脊椎の注釈付きデータセットはサイズが小さい。 大規模なアノテートされた背骨画像データセットがないため、データ駆動のディープラーニングベースのセグメンテーション手法は、非常に制限されている。 本稿では, 脊椎椎間板形成のための複数のソースから収集したCTSpine1Kと呼ばれる大規模脊椎CTデータセットについて紹介する。 このデータセットに基づいて、最初のベンチマークを設定するためにいくつかの脊椎椎間板分割実験を行った。 この大規模なデータセットは、脊椎のセグメンテーション、ラベル付け、複平面X線写真からの3次元脊椎再構築、画像超解像、拡張など、多くの脊椎関連画像解析タスクのさらなる研究を促進するだろうと考えている。

関連論文リスト

• 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)
• Context-Aware Transformers For Spinal Cancer Detection and Radiological Grading [70.04389979779195]
  本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。 MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。 画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:31:03Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models [20.061463073787234]
  複数のソースと異なるメーカからプールされた大きな骨盤CTデータセットをキュレートすることで、データギャップを埋めることを目指している。 腰椎、仙骨、左股関節、右股関節を分割するための深いマルチクラスのネットワークを学ぶために、私たちの知識を最大限に活用するために、初めて提案します。 最後に,符号付き距離関数(SDF)に基づく後処理ツールを導入し,誤予測を排除した。
  論文  参考訳（メタデータ） (2020-12-16T03:30:40Z)
• Automatic Vertebra Localization and Identification in CT by Spine Rectification and Anatomically-constrained Optimization [23.84364494308767]
  本論文では脊椎の解剖学的知識を利用して椎骨の局在と同定を容易にする堅牢かつ正確な方法を提案する。 キーポイント局在モデルは、脊椎中心の活性化マップを作成するために訓練される。 その後、脊椎中心線に沿って再サンプリングされ、脊椎切除された活性化マップを生成し、さらに1-D活性化信号に集約される。 解剖学的に制約された最適化モジュールを導入し、連続する椎骨指数の椎骨と硬い制約の間の距離を調節するソフト制約の下で最適な椎骨中心を共同で探索する。
  論文  参考訳（メタデータ） (2020-12-14T21:26:48Z)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)
• Analysis of Scoliosis From Spinal X-Ray Images [17.8260780895433]
  脊柱管の計測には脊椎のラベル付けと識別が必要である。 スコリオーシス(英: Scoliosis)は、脊椎が正常な形状から変形する先天性疾患である。 そこで本研究では,脊柱管狭窄計測に伴う脊椎の完全自動的,信頼性の高いセグメンテーションを提供するエンドツーエンドセグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2020-04-15T05:36:28Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Accurately identifying vertebral levels in large datasets [4.210140995696958]
  この研究の目的は、大規模な異種データセットのL1レベルを正確に識別できるシステムを開発することである。 最初のアプローチは、3D U-Netを使用してスキャンボリューム全体を使用してL1椎骨を直接分割し、コンテキストを提供する。 L1椎骨の同定には98%の精度が得られたが, 頭蓋骨レベルでの平均誤差は4.5mmであった。
  論文  参考訳（メタデータ） (2020-01-28T18:15:02Z)
• 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。