論文の概要: Sub-cortical structure segmentation database for young population
- arxiv url: http://arxiv.org/abs/2111.01561v1
- Date: Mon, 1 Nov 2021 10:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 02:16:52.548519
- Title: Sub-cortical structure segmentation database for young population
- Title(参考訳): 若年者のための皮質下構造分割データベース
- Authors: Jayanthi Sivaswamy, Alphin J Thottupattu, Mythri V, Raghav Mehta, R
Sheelakumari, Chandrasekharan Kesavadas
- Abstract要約: このデータセットには、114, 1.5 Tesla, T1 MRIスキャンと14の皮質下構造を手動で記述する。
このデータセットを用いて実験を行い、深層学習法により正確な結果が得られることを示した。
- 参考スコア(独自算出の注目度): 2.6756627165609363
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation of sub-cortical structures from MRI scans is of interest in many
neurological diagnosis. Since this is a laborious task machine learning and
specifically deep learning (DL) methods have become explored. The structural
complexity of the brain demands a large, high quality segmentation dataset to
develop good DL-based solutions for sub-cortical structure segmentation.
Towards this, we are releasing a set of 114, 1.5 Tesla, T1 MRI scans with
manual delineations for 14 sub-cortical structures. The scans in the dataset
were acquired from healthy young (21-30 years) subjects ( 58 male and 56
female) and all the structures are manually delineated by experienced radiology
experts. Segmentation experiments have been conducted with this dataset and
results demonstrate that accurate results can be obtained with deep-learning
methods.
- Abstract(参考訳): MRIスキャンによる皮質下構造の分離は多くの神経学的診断において重要である。
これは面倒なタスク機械学習であり、特に深層学習(DL)手法が研究されている。
脳の構造的複雑さは、大きな高品質なセグメンテーションデータセットを必要とし、皮質下構造セグメンテーションのための優れたdlベースのソリューションを開発する。
これに向けて、114, 1.5 Tesla, T1 MRIスキャンのセットをリリースし、14の皮質下構造を手動で記述しています。
データセットのスキャンは、健康な若い被験者(男性58名、女性56名)から取得され、すべての構造は経験豊富な放射線学の専門家によって手動で記述されている。
このデータセットを用いてセグメンテーション実験を行い,深層学習法を用いて精度の高い結果が得られることを示した。
関連論文リスト
- MRAnnotator: A Multi-Anatomy Deep Learning Model for MRI Segmentation [31.000474738216155]
モデル開発と評価のために2つのデータセットをキュレートし、注釈を付けた。
開発したモデルでは,MRI画像上で49の解剖学的構造の堅牢かつ一般化可能なセグメンテーションが達成されている。
論文 参考訳(メタデータ) (2024-02-01T21:43:27Z) - 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) - 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) - Fetal Brain Tissue Annotation and Segmentation Challenge Results [35.575646854499716]
In-utero fetal MRIは、発達するヒト脳の診断と解析において重要なツールとして浮上している。
我々は2021年に組織胎児(FeTA)チャレンジを組織し,自動セグメンテーションアルゴリズムの開発を奨励した。
本稿では,臨床と臨床の両方の観点から,その結果を詳細に分析する。
論文 参考訳(メタデータ) (2022-04-20T16:14:43Z) - A Computed Tomography Vertebral Segmentation Dataset with Anatomical
Variations and Multi-Vendor Scanner Data [0.0]
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。
論文 参考訳(メタデータ) (2021-03-10T22:07:26Z) - Multi-class probabilistic atlas-based whole heart segmentation method in
cardiac CT and MRI [4.144197343838299]
本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。
また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。
提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
論文 参考訳(メタデータ) (2021-02-03T01:02:09Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳(メタデータ) (2020-04-20T11:41:01Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。