論文の概要: RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation from CT Scans

• arxiv url: http://arxiv.org/abs/2109.09521v1
• Date: Fri, 17 Sep 2021 16:17:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 03:02:23.851240
• Title: RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation from CT Scans
• Title（参考訳）: CTスキャンからのRibセグメンテーションのためのRibSegデータセットとストロングポイントクラウドベースライン
• Authors: Jiancheng Yang, Shixuan Gu, Donglai Wei, Hanspeter Pfister, Bingbing Ni
• Abstract要約: CT(Computed tomography)スキャンにおける手動リブ検査は臨床的に重要であるが、労働集約的である。 公開データセットから490個のCTスキャン(11,719個のリブ)を含むラベル付きリブセグメンテーションベンチマークemphRibSegを開発した。 入力からスパルスボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。
• 参考スコア（独自算出の注目度）: 62.16198969529679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual rib inspections in computed tomography (CT) scans are clinically critical but labor-intensive, as 24 ribs are typically elongated and oblique in 3D volumes. Automatic rib segmentation methods can speed up the process through rib measurement and visualization. However, prior arts mostly use in-house labeled datasets that are publicly unavailable and work on dense 3D volumes that are computationally inefficient. To address these issues, we develop a labeled rib segmentation benchmark, named \emph{RibSeg}, including 490 CT scans (11,719 individual ribs) from a public dataset. For ground truth generation, we used existing morphology-based algorithms and manually refined its results. Then, considering the sparsity of ribs in 3D volumes, we thresholded and sampled sparse voxels from the input and designed a point cloud-based baseline method for rib segmentation. The proposed method achieves state-of-the-art segmentation performance (Dice~$\approx95\%$) with significant efficiency ($10\sim40\times$ faster than prior arts). The RibSeg dataset, code, and model in PyTorch are available at https://github.com/M3DV/RibSeg.
• Abstract（参考訳）: CTスキャンにおける手動リブ検査は臨床的に重要であるが,24リブは典型的には細長く,3Dボリュームでは斜めである。 自動リブセグメンテーション法は、リブの測定と可視化によってプロセスを高速化することができる。 しかし、先行技術は主に、一般に利用できない、計算的に非効率な高密度な3Dボリュームを扱う社内ラベル付きデータセットを使用している。 これらの問題に対処するため、公開データセットから490個のCTスキャン(11,719個のリブを含む、ラベル付きリブセグメンテーションベンチマークである \emph{RibSeg} を開発した。 地中真理生成には,既存の形態素に基づくアルゴリズムを用い,手動で解析を行った。 そして,3次元体積のリブの空間性を考慮すると,入力からスパースボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。 提案手法は,最先端のセグメンテーション性能(Dice~$\approx95\%$)を高い効率(10\sim40\times$)で達成する。 PyTorchのRibSegデータセット、コード、モデルはhttps://github.com/M3DV/RibSegで入手できる。

関連論文リスト

• Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation [4.952008176585512]
  FLARE23チャレンジは、部分的データと完全注釈付きデータの両方を備えた大規模なデータセットを提供する。 我々は、FLARE23に対処するために、Semi-Supervised Learning(SSL)と反復的な擬似ラベリングの戦略を用いることを提案する。 本手法では, 臓器の平均DSCスコアは89.63%, 腫瘍は46.07%である。
  論文  参考訳（メタデータ） (2023-10-02T12:45:13Z)
• 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)
• A Large Scale Homography Benchmark [52.55694707744518]
  1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。 また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
  論文  参考訳（メタデータ） (2023-02-20T14:18:09Z)
• Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query Embedding [15.98677736544302]
  本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。 解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。 胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-12-05T04:04:21Z)
• 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)
• DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains [0.18472148461613155]
  本稿では、ディープラーニングを用いて、堅牢で効率的な深層脳セグメンテーションソリューションを提供する。 我々は、登録ベースのアプローチから生成されたラベルを用いて、30の深層脳構造と脳マスクをセグメントするネットワークを訓練した。 提案手法は高速で堅牢で,高信頼性で一般化できる。
  論文  参考訳（メタデータ） (2021-10-18T17:15:39Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• Upgraded W-Net with Attention Gates and its Application in Unsupervised 3D Liver Segmentation [0.0]
  自動セグメンテーションのための教師なしディープラーニングに基づくアプローチを提案する。 我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。 提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
  論文  参考訳（メタデータ） (2020-11-20T21:45:28Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。