論文の概要: VinDr-RibCXR: A Benchmark Dataset for Automatic Segmentation and Labeling of Individual Ribs on Chest X-rays

• arxiv url: http://arxiv.org/abs/2107.01327v1
• Date: Sat, 3 Jul 2021 02:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 11:04:27.579904
• Title: VinDr-RibCXR: A Benchmark Dataset for Automatic Segmentation and Labeling of Individual Ribs on Chest X-rays
• Title（参考訳）: VinDr-RibCXR:胸部X線上の個々のリブの自動セグメンテーションとラベル付けのためのベンチマークデータセット
• Authors: Hoang C. Nguyen and Tung T. Le and Hieu H. Pham and Ha Q. Nguyen
• Abstract要約: VinDr-RibCXRと呼ばれる新しいベンチマークデータセットを導入し、胸部X線(CXR)スキャンから個々のリブの自動セグメンテーションとラベル付けを行う。 VinDr-RibCXRは245個のCXRと、それに対応する基礎的な真理アノテーションを含んでいる。 最先端セグメンテーションモデルのセットは、VinDr-RibCXRから20個の個々のリブのセグメンテーションとラベルまで196の画像に基づいて訓練される。
• 参考スコア（独自算出の注目度）: 0.5505634045241288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new benchmark dataset, namely VinDr-RibCXR, for automatic segmentation and labeling of individual ribs from chest X-ray (CXR) scans. The VinDr-RibCXR contains 245 CXRs with corresponding ground truth annotations provided by human experts. A set of state-of-the-art segmentation models are trained on 196 images from the VinDr-RibCXR to segment and label 20 individual ribs. Our best performing model obtains a Dice score of 0.834 (95% CI, 0.810--0.853) on an independent test set of 49 images. Our study, therefore, serves as a proof of concept and baseline performance for future research.
• Abstract（参考訳）: VinDr-RibCXRと呼ばれる新しいベンチマークデータセットを導入し、胸部X線(CXR)スキャンから個々のリブの自動セグメンテーションとラベル付けを行う。 VinDr-RibCXRは245個のCXRと、それに対応する基礎的な真理アノテーションを含んでいる。 最先端セグメンテーションモデルのセットは、VinDr-RibCXRから20個の個々のリブのセグメンテーションとラベルまで196の画像に基づいて訓練される。 我々のベストパフォーマンスモデルは、49画像の独立したテストセットにおいて、0.834 (95% ci, 0.810--0.853)のサイススコアを得る。 そこで本研究では,今後の研究における概念実証とベースライン性能について述べる。

関連論文リスト

• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
  CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。 これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
  論文  参考訳（メタデータ） (2021-12-19T16:19:46Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
  本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。 機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。 精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
  論文  参考訳（メタデータ） (2020-10-03T13:57:08Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• Study of Different Deep Learning Approach with Explainable AI for Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray Image Dataset [1.4680035572775532]
  新型コロナウイルスの感染拡大で、米国だけでもこれまでに10万人以上の死者が出た。 患者数の増加に伴い、利用可能なテストキットでテストを実施するのが難しくなっている。 本研究の目的は、CTスキャンと胸部X線画像データセットの両方において、より正確な精度で新型コロナウイルス患者を検出できるディープラーニングベースのモデルを開発することである。
  論文  参考訳（メタデータ） (2020-07-24T13:51:58Z)
• Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images [0.0]
  胸部X線画像からCOVID-19疾患の自動診断のための新しい畳み込み畳み込みニューラルネットワークモデルを設計する。 提案したCNNモデルは、異なるCNNサブモデルの識別能力を組み合わせて、胸部X線画像をCOVID-19, Normal, Pneumoniaクラスに分類する。 提案した積み重ねCNNの精度は92.74%、感度は93.33%、PPVは92.13%、F1スコアは0.93である。
  論文  参考訳（メタデータ） (2020-06-22T17:55:16Z)

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。