論文の概要: Where is VALDO? VAscular Lesions Detection and segmentatiOn challenge at
MICCAI 2021
- arxiv url: http://arxiv.org/abs/2208.07167v1
- Date: Mon, 15 Aug 2022 13:09:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 13:02:15.176459
- Title: Where is VALDO? VAscular Lesions Detection and segmentatiOn challenge at
MICCAI 2021
- Title(参考訳): ヴァルドはどこだ?
MICCAI 2021における血管病変の検出とセグメンタティ
- Authors: Carole H. Sudre, Kimberlin Van Wijnen, Florian Dubost, Hieab Adams,
David Atkinson, Frederik Barkhof, Mahlet A. Birhanu, Esther E. Bron, Robin
Camarasa, Nish Chaturvedi, Yuan Chen, Zihao Chen, Shuai Chen, Qi Dou, Tavia
Evans, Ivan Ezhov, Haojun Gao, Marta Girones Sanguesa, Juan Domingo Gispert,
Beatriz Gomez Anson, Alun D. Hughes, M. Arfan Ikram, Silvia Ingala, H. Rolf
Jaeger, Florian Kofler, Hugo J. Kuijf, Denis Kutnar, Minho Lee, Bo Li, Luigi
Lorenzini, Bjoern Menze, Jose Luis Molinuevo, Yiwei Pan, Elodie Puybareau,
Rafael Rehwald, Ruisheng Su, Pengcheng Shi, Lorna Smith, Therese Tillin,
Guillaume Tochon, Helene Urien, Bas H.M. van der Velden, Isabelle F. van der
Velpen, Benedikt Wiestler, Frank J. Wolters, Pinar Yilmaz, Marius de Groot,
Meike W. Vernooij, Marleen de Bruijne (for the ALFA study)
- Abstract要約: textitVAscular Lesions DetectiOn andtext (itWhere is VALDO?)チャレンジは、2021年のMICCAIカンファレンスで衛星イベントとして実施された。
この課題は、脳小血管疾患の小さな画像マーカーとスパース画像マーカーの自動検出とセグメンテーションの手法の開発を促進することを目的としていた。
その結果、チーム間とタスク間のパフォーマンスに大きなばらつきが見られ、タスク1 - EPVSとタスク2 - マイクロブリードで、タスク3 - の有望な結果が得られている。
- 参考スコア(独自算出の注目度): 20.007220132490687
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Imaging markers of cerebral small vessel disease provide valuable information
on brain health, but their manual assessment is time-consuming and hampered by
substantial intra- and interrater variability. Automated rating may benefit
biomedical research, as well as clinical assessment, but diagnostic reliability
of existing algorithms is unknown. Here, we present the results of the
\textit{VAscular Lesions DetectiOn and Segmentation} (\textit{Where is VALDO?})
challenge that was run as a satellite event at the international conference on
Medical Image Computing and Computer Aided Intervention (MICCAI) 2021. This
challenge aimed to promote the development of methods for automated detection
and segmentation of small and sparse imaging markers of cerebral small vessel
disease, namely enlarged perivascular spaces (EPVS) (Task 1), cerebral
microbleeds (Task 2) and lacunes of presumed vascular origin (Task 3) while
leveraging weak and noisy labels. Overall, 12 teams participated in the
challenge proposing solutions for one or more tasks (4 for Task 1 - EPVS, 9 for
Task 2 - Microbleeds and 6 for Task 3 - Lacunes). Multi-cohort data was used in
both training and evaluation. Results showed a large variability in performance
both across teams and across tasks, with promising results notably for Task 1 -
EPVS and Task 2 - Microbleeds and not practically useful results yet for Task 3
- Lacunes. It also highlighted the performance inconsistency across cases that
may deter use at an individual level, while still proving useful at a
population level.
- Abstract(参考訳): 脳小血管疾患のイメージングマーカーは、脳の健康に関する貴重な情報を提供するが、手作業による評価は時間を要する。
自動評価は、医学的な研究や臨床評価に有用であるが、既存のアルゴリズムの診断信頼性は不明である。
ここでは、 \textit{VAscular Lesions DetectiOn and Segmentation} (\textit{Where is VALDO?
医療画像・コンピュータ支援介入国際会議(miccai,international conference on medical image computing and computer assisted intervention,miccai)は2021年に開催された。
この課題は、大脳小血管疾患(epvs)(task 1)、大脳微小出血(task)の小型・スパースイメージングマーカーの自動検出・分割法の開発を促進することを目的とした。
2)血管起源と推定されるラクエン(タスク)
3)弱いラベルやうるさいラベルを活用しながら。
全体として、12チームが1つ以上のタスク(タスク1 - EPVS 4つ、タスク2 - マイクロブリード9つ、タスク3 - ラクネス6つ)のソリューションを提案している。
マルチコホートデータはトレーニングと評価の両方に使用された。
結果は、チーム間およびタスク間でのパフォーマンスに大きな変動を示し、特にtask 1epvとtask 2で有望な結果が得られた。
また、個々のレベルでの使用を抑えつつ、人口レベルでも有用であることを証明しているケース間のパフォーマンスの矛盾を強調した。
関連論文リスト
- YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。
Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
論文 参考訳(メタデータ) (2024-03-01T03:20:42Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Complex Mixer for MedMNIST Classification Decathlon [12.402054374952485]
ラベル空間における情報不足と不確実性の問題を軽減するための事前学習フレームワークを備えた複合ミキサー(C-Mixer)を開発した。
提案手法は,標準的なMedMNIST(v2)データセットと,カスタマイズされた弱教師付きデータセットの両方に驚くべき可能性を示す。
論文 参考訳(メタデータ) (2023-04-20T02:34:36Z) - Collective Intelligent Strategy for Improved Segmentation of COVID-19
from CT [0.2062593640149623]
本研究では, 深層学習と画像を用いた非侵襲的非侵襲ツールを提案する。
Ensembling Attention-based Multi-scaled Convolution Network (EAMC) は感染領域のアウトラインにおいて高い感度と精度を示す。
その臨床的意義は、遠隔地で専門的な医療を欠く患者に低コストな意思決定を提供することにおいて、前例のない範囲にある。
論文 参考訳(メタデータ) (2022-12-23T11:24:29Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - The Medical Segmentation Decathlon [37.44481677534694]
最先端の画像セグメンテーションアルゴリズムは、未確認のタスクで再訓練された場合、成熟し、正確で、一般化される。
一連のタスクにおける一貫した良いパフォーマンスは、以前は目に見えないタスクの異なるセットで、彼らの平均的なパフォーマンスを保った。
正確なAIセグメンテーションモデルのトレーニングは現在、非AI専門家にコモディティ化されている。
論文 参考訳(メタデータ) (2021-06-10T13:34:06Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - 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) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z) - 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)
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。