論文の概要: TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

• arxiv url: http://arxiv.org/abs/2208.05868v1
• Date: Thu, 11 Aug 2022 15:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 13:36:36.514033
• Title: TotalSegmentator: robust segmentation of 104 anatomical structures in CT images
• Title（参考訳）: TotalSegmentator:CT画像における104の解剖学的構造の堅牢なセグメンテーション
• Authors: Jakob Wasserthal and Manfred Meyer and Hanns-Christian Breit and Joshy Cyriac and Shan Yang and Martin Segeroth
• Abstract要約: 本研究は, 全身CT画像における複数の解剖学的構造の自動分割に焦点を当てた。 1204枚のCT画像では,ほとんどの症例において,関連クラスの大部分をカバーする104個の解剖学的構造を抽出した。 プロセスの速度を10倍に向上する土台真理セグメンテーションを作成するための改良されたワークフローを示す。
• 参考スコア（独自算出の注目度）: 5.112380642328496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we focus on automatic segmentation of multiple anatomical structures in (whole body) CT images. Many segmentation algorithms exist for this task. However, in most cases they suffer from 3 problems: 1. They are difficult to use (the code and data is not publicly available or difficult to use). 2. They do not generalize (often the training dataset was curated to only contain very clean images which do not reflect the image distribution found during clinical routine), 3. The algorithm can only segment one anatomical structure. For more structures several algorithms have to be used which increases the effort required to set up the system. In this work we publish a new dataset and segmentation toolkit which solves all three of these problems: In 1204 CT images we segmented 104 anatomical structures (27 organs, 59 bones, 10 muscles, 8 vessels) covering a majority of relevant classes for most use cases. We show an improved workflow for the creation of ground truth segmentations which speeds up the process by over 10x. The CT images were randomly sampled from clinical routine, thus representing a real world dataset which generalizes to clinical application. The dataset contains a wide range of different pathologies, scanners, sequences and sites. Finally, we train a segmentation algorithm on this new dataset. We call this algorithm TotalSegmentator and make it easily available as a pretrained python pip package (pip install totalsegmentator). Usage is as simple as TotalSegmentator -i ct.nii.gz -o seg and it works well for most CT images. The code is available at https://github.com/wasserth/TotalSegmentator and the dataset at https://doi.org/10.5281/zenodo.6802613.
• Abstract（参考訳）: 本研究は, 全身CT画像における複数の解剖学的構造の自動分割に焦点を当てた。 このタスクには多くのセグメンテーションアルゴリズムが存在する。 しかし、多くの場合、彼らは3つの問題に悩まされる。 1. 使用するのが難しい(コードとデータは公開されていないか、使用が難しい)。 2 それらは一般化しない(トレーニングデータセットは、臨床経過中に発見された画像分布を反映しない非常にきれいな画像のみを含むように調整されることが多い)。 3. アルゴリズムは1つの解剖学的構造のみを分割できる。 より多くの構造のためには、システムをセットアップするのに要する労力を増大させるいくつかのアルゴリズムを使う必要がある。 1204のCT画像では、104の解剖学的構造(27の臓器、59の骨、10の筋肉、8の血管)がほとんどのユースケースで関連するクラスの大部分をカバーしています。 我々は、プロセスを10倍以上高速化する基底真理セグメンテーションを作成するための改善ワークフローを示す。 CT画像は臨床ルーチンからランダムにサンプリングされ,臨床応用に一般化した実世界のデータセットを表す。 データセットには、さまざまな病理、スキャナ、シーケンス、サイトが含まれている。 最後に、この新しいデータセットでセグメンテーションアルゴリズムをトレーニングします。 我々はこのアルゴリズムをTotalSegmentatorと呼び、トレーニング済みのpython pipパッケージ(pip install totalsegmentator)として簡単に利用できるようにする。 使い方はTotalSegmentator -i ct.nii.gz -o segと同じくらいシンプルで、ほとんどのCT画像でうまく機能する。 コードはhttps://github.com/wasserth/TotalSegmentatorで、データセットはhttps://doi.org/10.5281/zenodo.6802613で入手できる。

関連論文リスト

• MSTT-199: MRI Dataset for Musculoskeletal Soft Tissue Tumor Segmentation [0.0]
  胸部軟部腫瘍199例のMR画像データセットの収集について報告する。 このデータセットでセグメンテーションモデルをトレーニングし、公開データセットでベンチマークしました。 我々のモデルは、微調整なしで、ボックスから0.79の最先端のサイコロスコアを達成した。
  論文  参考訳（メタデータ） (2024-09-04T22:33:17Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• VertDetect: Fully End-to-End 3D Vertebral Instance Segmentation Model [0.0]
  本稿では,完全自動3次元脊椎椎体分割畳み込みニューラルネットワーク(CNN)モデルであるVertDetectを提案する。 共有CNNバックボーンの利用は、脊髄と脊椎の両方のレベル情報を含む特徴マップを備えたネットワークの検出とセグメンテーションのブランチを提供する。 このモデルは、エンド・ツー・エンドのアーキテクチャにおいて最先端のパフォーマンスを達成し、その設計により、その後下流のタスクに使用できる機能の抽出が容易になる。
  論文  参考訳（メタデータ） (2023-11-16T15:29:21Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)
• 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。