論文の概要: ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset

• arxiv url: http://arxiv.org/abs/2206.06694v1
• Date: Tue, 14 Jun 2022 08:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 00:22:54.032016
• Title: ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset
• Title（参考訳）: ISLES 2022: マルチセンター磁気共鳴イメージング脳卒中病変分類データセット
• Authors: Moritz Roman Hernandez Petzsche, Ezequiel de la Rosa, Uta Hanning, Roland Wiest, Waldo Enrique Valenzuela Pinilla, Mauricio Reyes, Maria Ines Meyer, Sook-Lei Liew, Florian Kofler, Ivan Ezhov, David Robben, Alexander Hutton, Tassilo Friedrich, Teresa Zarth, Johannes B\"urkle, The Anh Baran, Bjoern Menze, Gabriel Broocks, Lukas Meyer, Claus Zimmer, Tobias Boeckh-Behrens, Maria Berndt, Benno Ikenberg, Benedikt Wiestler, Jan S. Kirschke
• Abstract要約: このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
• 参考スコア（独自算出の注目度）: 36.278933802685316
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Magnetic resonance imaging (MRI) is a central modality for stroke imaging. It is used upon patient admission to make treatment decisions such as selecting patients for intravenous thrombolysis or endovascular therapy. MRI is later used in the duration of hospital stay to predict outcome by visualizing infarct core size and location. Furthermore, it may be used to characterize stroke etiology, e.g. differentiation between (cardio)-embolic and non-embolic stroke. Computer based automated medical image processing is increasingly finding its way into clinical routine. Previous iterations of the Ischemic Stroke Lesion Segmentation (ISLES) challenge have aided in the generation of identifying benchmark methods for acute and sub-acute ischemic stroke lesion segmentation. Here we introduce an expert-annotated, multicenter MRI dataset for segmentation of acute to subacute stroke lesions. This dataset comprises 400 multi-vendor MRI cases with high variability in stroke lesion size, quantity and location. It is split into a training dataset of n=250 and a test dataset of n=150. All training data will be made publicly available. The test dataset will be used for model validation only and will not be released to the public. This dataset serves as the foundation of the ISLES 2022 challenge with the goal of finding algorithmic methods to enable the development and benchmarking of robust and accurate segmentation algorithms for ischemic stroke.
• Abstract（参考訳）: MRI(MRI)は脳卒中画像の中心的なモダリティである。 患者の入院時に、静脈内血栓溶解療法や血管内療法の患者を選択するなどの治療決定に使用される。 mriは脳梗塞のコアサイズと位置を可視化することで予後を予測するために病院滞在期間に使用される。 さらに、脳卒中の原因、例えば(cardio)-エボリックと非エボリックの区別を特徴付けるためにも用いられる。 コンピュータベースの自動化医療画像処理は、臨床ルーチンへの道のりをますます探っている。 Ischemic Stroke Lesion Segmentation (ISLES)チャレンジの以前のイテレーションは、急性および亜急性の虚血性脳梗塞の分類基準の作成に役立っている。 ここでは,急性から亜急性の脳卒中病変の分節のための,エキスパートアノテート・マルチセンターMRIデータセットを紹介する。 脳卒中病変の大きさ、量、位置の変動が高い400のマルチベンダmri症例からなるデータセット。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 すべてのトレーニングデータが公開される予定だ。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。 このデータセットは、虚血性脳卒中に対する堅牢で正確なセグメンテーションアルゴリズムの開発とベンチマークを可能にするアルゴリズム手法を見つけることを目的として、ISLES 2022チャレンジの基盤となっている。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• ISLES 2024: The first longitudinal multimodal multi-center real-world dataset in (sub-)acute stroke [2.7919032539697444]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を負っている。 脳卒中画像から有意義で再現可能な脳機能のモデルを抽出できる機械学習アルゴリズムを開発する。 このデータセットは, 血管造影と灌流による急性CT像, 2～9日間の経過観察, 急性期, 慢性期の臨床データなど, 経時的脳梗塞の包括的データとして初めて提供された。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• ISLES'24: Improving final infarct prediction in ischemic stroke using multimodal imaging and clinical data [3.2816454618159008]
  本研究はISLES'24課題であり, 術前急性期脳梗塞画像と臨床データから最終治療後の脳梗塞予測に対処するものである。 本研究の貢献は2つある: まず, ISLES'24チャレンジを通じて最終脳梗塞セグメンテーションアルゴリズムの標準化ベンチマークを導入する; 次に, マルチモーダルイメージングと臨床データ戦略を用いた梗塞セグメンテーションに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-08-20T16:01:05Z)
• APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge [0.0]
  APISはNCCTとADCによる急性虚血性脳卒中患者の最初のペアデータセットである。 第20回IEEE International Symposium on Biomedical Imaging 2023で発表された。 すべてのチームが専門的なディープラーニングツールを使用しているにも関わらず、NCCTの虚血性脳卒中セグメンテーションタスクは依然として困難である。
  論文  参考訳（メタデータ） (2023-09-26T20:16:07Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Deep Learning based Multi-modal Computing with Feature Disentanglement for MRI Image Synthesis [8.363448006582065]
  本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。 提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。 テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
  論文  参考訳（メタデータ） (2021-05-06T17:22:22Z)
• Combining unsupervised and supervised learning for predicting the final stroke lesion [2.587975592408692]
  90日後に最終脳卒中病変を予測するための完全自動深層学習法を提案する。 本研究の目的は、脳卒中の最終病変の位置と範囲を予測し、その予測に影響を与える脳血流動態を考慮に入れることである。
  論文  参考訳（メタデータ） (2021-01-02T17:56:47Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• 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。