論文の概要: Fetal Brain Tissue Annotation and Segmentation Challenge Results

• arxiv url: http://arxiv.org/abs/2204.09573v1
• Date: Wed, 20 Apr 2022 16:14:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 15:57:34.293674
• Title: Fetal Brain Tissue Annotation and Segmentation Challenge Results
• Title（参考訳）: 胎児脳組織アノテーションとセグメンテーション課題
• Authors: Kelly Payette, Hongwei Li, Priscille de Dumast, Roxane Licandro, Hui Ji, Md Mahfuzur Rahman Siddiquee, Daguang Xu, Andriy Myronenko, Hao Liu, Yuchen Pei, Lisheng Wang, Ying Peng, Juanying Xie, Huiquan Zhang, Guiming Dong, Hao Fu, Guotai Wang, ZunHyan Rieu, Donghyeon Kim, Hyun Gi Kim, Davood Karimi, Ali Gholipour, Helena R. Torres, Bruno Oliveira, Jo\~ao L. Vila\c{c}a, Yang Lin, Netanell Avisdris, Ori Ben-Zvi, Dafna Ben Bashat, Lucas Fidon, Michael Aertsen, Tom Vercauteren, Daniel Sobotka, Georg Langs, Mireia Aleny\`a, Maria Inmaculada Villanueva, Oscar Camara, Bella Specktor Fadida, Leo Joskowicz, Liao Weibin, Lv Yi, Li Xuesong, Moona Mazher, Abdul Qayyum, Domenec Puig, Hamza Kebiri, Zelin Zhang, Xinyi Xu, Dan Wu, KuanLun Liao, YiXuan Wu, JinTai Chen, Yunzhi Xu, Li Zhao, Lana Vasung, Bjoern Menze, Meritxell Bach Cuadra, Andras Jakab
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 35.575646854499716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-utero fetal MRI is emerging as an important tool in the diagnosis and analysis of the developing human brain. Automatic segmentation of the developing fetal brain is a vital step in the quantitative analysis of prenatal neurodevelopment both in the research and clinical context. However, manual segmentation of cerebral structures is time-consuming and prone to error and inter-observer variability. Therefore, we organized the Fetal Tissue Annotation (FeTA) Challenge in 2021 in order to encourage the development of automatic segmentation algorithms on an international level. The challenge utilized FeTA Dataset, an open dataset of fetal brain MRI reconstructions segmented into seven different tissues (external cerebrospinal fluid, grey matter, white matter, ventricles, cerebellum, brainstem, deep grey matter). 20 international teams participated in this challenge, submitting a total of 21 algorithms for evaluation. In this paper, we provide a detailed analysis of the results from both a technical and clinical perspective. All participants relied on deep learning methods, mainly U-Nets, with some variability present in the network architecture, optimization, and image pre- and post-processing. The majority of teams used existing medical imaging deep learning frameworks. The main differences between the submissions were the fine tuning done during training, and the specific pre- and post-processing steps performed. The challenge results showed that almost all submissions performed similarly. Four of the top five teams used ensemble learning methods. However, one team's algorithm performed significantly superior to the other submissions, and consisted of an asymmetrical U-Net network architecture. This paper provides a first of its kind benchmark for future automatic multi-tissue segmentation algorithms for the developing human brain in utero.
• Abstract（参考訳）: 子宮内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。 発達する胎児脳の自動分節は、研究と臨床の両方において出生前神経発達の定量的解析において重要なステップである。 しかし、手作業による脳構造分割は、時間を要するため、エラーやオブザーバ間の変動が起こりやすい。 そこで,我々は2021年に胎児組織アノテーション(feta)の課題を整理し,国際レベルでの自動セグメント化アルゴリズムの開発を奨励した。 この課題は、胎児脳MRIのオープンデータセットであるFeTA Datasetを、7つの異なる組織(外脳脊髄液、灰白質、白質、心室、小脳、脳幹、深部灰白質)に分割した。 20の国際チームがこの挑戦に参加し、21のアルゴリズムを提出した。 本稿では,技術面および臨床面の両方からの結果を詳細に分析する。 すべての参加者は、ネットワークアーキテクチャ、最適化、画像前処理と後処理にいくつかのバリエーションがある、主にU-Netのようなディープラーニング手法に頼っていた。 大部分のチームは既存の医療画像深層学習フレームワークを使用していた。 提案の主な違いは、トレーニング中に行われた微調整と、特定の前処理と後処理のステップである。 課題の結果、ほぼ全ての応募が同様に実行された。 上位5チームのうち4チームがアンサンブル学習手法を使用した。 しかし、あるチームのアルゴリズムは他の提案よりもかなり優れており、非対称なU-Netネットワークアーキテクチャで構成されていた。 本論文は、ヒト脳の発達過程における自動マルチトイシューセグメンテーションアルゴリズムのための、最初のこの種のベンチマークを提供する。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks [0.0]
  アルツハイマー病(英: Alzheimer's disease、AD)は、世界の公衆衛生問題の一つ。 本稿では,脳MRI画像とセグメント画像を用いたディープラーニングアーキテクチャの構築について検討する。
  論文  参考訳（メタデータ） (2022-03-31T20:15:51Z)
• An automatic multi-tissue human fetal brain segmentation benchmark using the Fetal Tissue Annotation Dataset [10.486148937249837]
  今回我々は,手動で分類した50個の病的および非病理的胎児磁気共鳴脳容積再構成データベースについて紹介した。 発達するヒト胎児脳の複数の自動多部分割アルゴリズムの精度を定量的に評価した。
  論文  参考訳（メタデータ） (2020-10-29T12:46:05Z)
• Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
  iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。 執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。 私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
  論文  参考訳（メタデータ） (2020-07-04T13:39:48Z)
• 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)
• Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
  グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。 近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。 本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
  論文  参考訳（メタデータ） (2019-12-28T12:45:34Z)

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。