論文の概要: WORD: Revisiting Organs Segmentation in the Whole Abdominal Region
- arxiv url: http://arxiv.org/abs/2111.02403v1
- Date: Wed, 3 Nov 2021 02:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-06 04:31:22.255710
- Title: WORD: Revisiting Organs Segmentation in the Whole Abdominal Region
- Title（参考訳）: WORD:全腹部領域における臓器分節の再検討
- Authors: Xiangde Luo, Wenjun Liao, Jianghong Xiao, Tao Song, Xiaofan Zhang,
Kang Li, Guotai Wang, and Shaoting Zhang
- Abstract要約: 全腹部臓器の分節は腹部病変の診断,放射線治療計画,経過観察において重要な役割を担っている。
深層学習に基づく医療画像のセグメンテーションは、手動のデライン化の労力を減らす可能性を示しているが、それでもトレーニングには大規模な微妙な注釈付きデータセットが必要である。
本研究では,アルゴリズム研究と臨床応用のための大規模なtextitWhole abdominal textitORgans textitDataset (textitWORD) を確立する。
- 参考スコア（独自算出の注目度）: 14.752924082744814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole abdominal organs segmentation plays an important role in abdomen lesion
diagnosis, radiotherapy planning, and follow-up. However, delineating all
abdominal organs by oncologists manually is time-consuming and very expensive.
Recently, deep learning-based medical image segmentation has shown the
potential to reduce manual delineation efforts, but it still requires a
large-scale fine annotated dataset for training. Although many efforts in this
task, there are still few large image datasets covering the whole abdomen
region with accurate and detailed annotations for the whole abdominal organ
segmentation. In this work, we establish a large-scale \textit{W}hole abdominal
\textit{OR}gans \textit{D}ataset (\textit{WORD}) for algorithms research and
clinical applications development. This dataset contains 150 abdominal CT
volumes (30495 slices) and each volume has 16 organs with fine pixel-level
annotations and scribble-based sparse annotation, which may be the largest
dataset with whole abdominal organs annotation. Several state-of-the-art
segmentation methods are evaluated on this dataset. And, we also invited
clinical oncologists to revise the model predictions to measure the gap between
the deep learning method and real oncologists. We further introduce and
evaluate a new scribble-based weakly supervised segmentation on this dataset.
The work provided a new benchmark for the abdominal multi-organ segmentation
task and these experiments can serve as the baseline for future research and
clinical application development. The codebase and dataset will be released at:
https://github.com/HiLab-git/WORD
- Abstract（参考訳）: 腹部臓器の分節は腹部病変の診断,放射線治療計画,経過観察において重要な役割を担っている。
しかし、すべての腹部臓器を手作業で検査することは時間がかかり、非常に費用がかかる。
近年,深層学習に基づく医用画像のセグメンテーションは手動のデライン化の取り組みを減らす可能性を示しているが,トレーニングには大規模な微調整データセットが必要である。
この課題には多くの取り組みがあるが、腹部全臓器分節の正確な詳細な注釈を付して腹部全領域をカバーする大きな画像データセットは少ない。
本研究では, アルゴリズム研究と臨床応用開発のために, 大規模の \textit{w}hole abdominal \textit{or}gans \textit{d}ataset (\textit{word}) を確立する。
このデータセットは、150の腹部CTボリューム(30495スライス)を含み、各ボリュームには、微細なピクセルレベルのアノテーションとスクリブルベースのスパースアノテーションを備えた16の臓器がある。
このデータセットでは,いくつかの最先端セグメンテーション手法が評価されている。
また, 深層学習法と実際の腫瘍学とのギャップを測定するために, モデル予測の見直しを臨床腫瘍学者に依頼した。
さらに,このデータセット上で,新しいscribbleベースの弱教師付きセグメンテーションを導入し,評価する。
この研究は腹部多臓器分節タスクの新しいベンチマークを提供し、これらの実験は将来の研究および臨床応用開発の基礎となる。
コードベースとデータセットは、https://github.com/HiLab-git/WORDでリリースされる。
関連論文リスト
- AbdomenAtlas: A Large-Scale, Detailed-Annotated, & Multi-Center Dataset for Efficient Transfer Learning and Open Algorithmic Benchmarking [16.524596737411006]
腹部CTデータセット(AbdomenAtlasと略す)は, 多様な人口, 地理, 施設にまたがる112の病院の3次元CTボリューム20,460点が最も大きい。
AbamenAtlasは、AIアルゴリズムの助けを借りて10人の放射線学者のチームが注釈を付けた腹部領域の解剖学的構造の、673Kの高品質マスクを提供する。
論文 参考訳（メタデータ） (2024-07-23T17:59:44Z) - Pelvic floor MRI segmentation based on semi-supervised deep learning [3.764963091541598]
深層学習対応セマンティックセグメンテーションは骨盤底臓器の立体的再構成を促進する。
骨盤底MRIのセグメンテーションの課題は、労働集約的でコストがかかり、ラベルの不足につながる。
不十分なセグメンテーションラベルは骨盤底臓器の正確なセグメンテーションと再構築を制限する。
論文 参考訳（メタデータ） (2023-11-06T13:54:52Z) - 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) - HALOS: Hallucination-free Organ Segmentation after Organ Resection
Surgery [3.079885946230076]
最先端のセグメンテーションモデルはしばしば臓器の幻覚、すなわち臓器の偽陽性予測を引き起こす。
臓器切除術後の症例を治療するMR画像における腹部臓器分割のためのHALOSを提案する。
論文 参考訳（メタデータ） (2023-03-14T09:05:19Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Boundary-Aware Network for Abdominal Multi-Organ Segmentation [21.079667938055668]
腹部臓器をCTとMRIに分割する境界認識ネットワーク(BA-Net)を提案する。
その結果,両セグメンテーションタスクにおいて,BA-NetはnnUNetよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-08-29T02:24:02Z) - Every Annotation Counts: Multi-label Deep Supervision for Medical Image
Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。
このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。
我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文 参考訳（メタデータ） (2021-04-27T14:51:19Z) - 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) - AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? [30.338209680140913]
今回,12の医療センターから1000 (1K) 以上のCT検査を行い, 腹部CT臓器分節データセットAbdomenCT-1Kについて検討した。
肝,腎,脾,膵の分画について大規模に検討し,SOTA法の未解決分画問題を明らかにする。
未解決の問題を推し進めるために, 完全教師付き, 半教師付き, 弱教師付き, 連続学習のための4つのオルガンセグメンテーションベンチマークを構築した。
論文 参考訳（メタデータ） (2020-10-28T08:15:27Z) - 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) - 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。