Fugu-MT 論文翻訳(概要): FUSeg: The Foot Ulcer Segmentation Challenge

論文の概要: FUSeg: The Foot Ulcer Segmentation Challenge

arxiv url: http://arxiv.org/abs/2201.00414v1
Date: Sun, 2 Jan 2022 20:34:09 GMT
ステータス: 処理完了
システム内更新日: 2022-01-04 13:53:14.808262
Title: FUSeg: The Foot Ulcer Segmentation Challenge
Title（参考訳）: FUSeg:フット・潰瘍・セグメンテーション・チャレンジ
Authors: Chuanbo Wang, Amirreza Mahbod, Isabella Ellinger, Adrian Galdran, Sandeep Gopalakrishnan, Jeffrey Niezgoda, Zeyun Yu
Abstract要約: 先進的な創傷治療市場は2024年までに220億ドルに達すると推定されている。傷の面積を推定し、治療の定量的な測定を行うことが重要である。近年,深層学習に基づく創傷分類法は有望な性能を示したが,訓練には大規模なデータセットが必要である。 889例から2年以上経過した足底潰瘍像1,210点を含む創傷画像データセットを構築した。創傷治療の専門家によってピクセル単位で注釈付けされ、1010個の画像と200個の画像からなるテストセットのトレーニングセットに分割して評価する。世界中のチームが、アノテーションを使用したテストセット上での創傷のセグメンテーションを予測する自動手法を開発した
参考スコア（独自算出の注目度）: 2.47471882161526
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Acute and chronic wounds with varying etiologies burden the healthcare systems economically. The advanced wound care market is estimated to reach $22 billion by 2024. Wound care professionals provide proper diagnosis and treatment with heavy reliance on images and image documentation. Segmentation of wound boundaries in images is a key component of the care and diagnosis protocol since it is important to estimate the area of the wound and provide quantitative measurement for the treatment. Unfortunately, this process is very time-consuming and requires a high level of expertise. Recently automatic wound segmentation methods based on deep learning have shown promising performance but require large datasets for training and it is unclear which methods perform better. To address these issues, we propose the Foot Ulcer Segmentation challenge (FUSeg) organized in conjunction with the 2021 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). We built a wound image dataset containing 1,210 foot ulcer images collected over 2 years from 889 patients. It is pixel-wise annotated by wound care experts and split into a training set with 1010 images and a testing set with 200 images for evaluation. Teams around the world developed automated methods to predict wound segmentations on the testing set of which annotations were kept private. The predictions were evaluated and ranked based on the average Dice coefficient. The FUSeg challenge remains an open challenge as a benchmark for wound segmentation after the conference.
Abstract（参考訳）: 急性および慢性の創傷は、医療システムを経済的に負担する。先進的な創傷治療市場は2024年までに220億ドルに達すると推定されている。ワーンドケアの専門家は、画像と画像文書に大きく依存して適切な診断と治療を提供する。傷の面積を推定し,治療の定量的測定を行うことが重要であるため,画像中の傷境界の分割はケア・診断プロトコルの重要な要素である。残念ながら、このプロセスは非常に時間がかかり、高いレベルの専門知識が必要です。近年,深層学習に基づく創傷分類法は有望な性能を示したが,トレーニングには大規模なデータセットが必要であり,どの手法が優れているかは不明である。これらの課題に対処するために,2021年の医用画像コンピューティングとコンピュータ支援介入に関する国際会議(MICCAI)と連携して組織されたフット・ウルサー・セグメンテーション・チャレンジ(FUSeg)を提案する。 889例から2年以上経過した足底潰瘍像1,210例の創傷画像データセットを構築した。創傷治療の専門家によってピクセル単位で注釈付けされ、1010イメージと200イメージの試験セットからなるトレーニングセットに分けられる。世界中のチームが、アノテーションをプライベートに保持したテストセットの創傷のセグメンテーションを予測する自動メソッドを開発した。予測は平均Dice係数に基づいて評価・評価された。 FUSegチャレンジは、カンファレンス後の創傷セグメンテーションのベンチマークとして、依然としてオープンな課題である。

関連論文リスト

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)
CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
医用画像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フレームワークCUTSを提案する。各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
論文参考訳（メタデータ） (2022-09-23T01:09:06Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
FetReg2021: A Challenge on Placental Vessel Segmentation and Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。 7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文参考訳（メタデータ） (2022-06-24T23:44:42Z)
Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation [8.354517822940783]
創傷分割マップを高一般化能力で作成するための深層学習手法を提案する。提案手法では, 深部神経回路が創位置を検出し, 非形態的背景から創を分離し, 創節分割マップを算出した。
論文参考訳（メタデータ） (2021-11-02T13:39:13Z)
Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike? [9.247774141419134]
本稿では,2020年における3次元医用画像セグメンテーション課題の上位10項目について概観する。最先端セグメンテーション手法における「幸福な家族」の実践は,強力なセグメンテーション手法の開発に有用である。我々は将来解決すべきオープンリサーチの問題について議論する。
論文参考訳（メタデータ） (2021-01-01T13:39:26Z)
Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks [1.897172519574925]
本論文は,MobileNetV2をベースとした新たな畳み込みフレームワークを提案する。深層学習モデルの訓練と試験のために,889例の足部潰瘍画像1,109枚からなる注記傷画像データセットを構築した。
論文参考訳（メタデータ） (2020-10-12T17:02:48Z)
AGE Challenge: Angle Closure Glaucoma Evaluation in Anterior Segment Optical Coherence Tomography [61.405005501608706]
アングル閉鎖緑内障(ACG)は開角緑内障よりも攻撃的な疾患である。前部セグメント光コヒーレンス・トモグラフィー(AS-OCT)は、開角度から角度閉鎖を識別する高速で接触のない方法を提供する。既存のメソッドを均一に評価するためのパブリックなAS-OCTデータセットは存在しない。私たちは,MICCAI 2019と共同で開催したAngle closure Glaucoma Evaluation Challenge (AGE)を組織した。
論文参考訳（メタデータ） (2020-05-05T14:55:01Z)
Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文参考訳（メタデータ） (2020-03-23T14:35:08Z)
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。