論文の概要: Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images

• arxiv url: http://arxiv.org/abs/2208.09216v1
• Date: Fri, 19 Aug 2022 08:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-08-22 17:30:18.737656
• Title: Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images
• Title（参考訳）: 上半身CT画像からの骨分割におけるデータセット拡張の基準としてのアンサンブル不確実性
• Authors: Eva Schnider, Antal Huck, Mireille Toranelli, Georg Rauter, Azhar Zam, Magdalena M\"uller-Gerbl, Philippe Cattin
• Abstract要約: 個々の骨の局所化と分節化は多くの計画およびナビゲーションアプリケーションにおいて重要な前処理ステップである。 上半身CTにおいて125個の異なる骨を分割できるエンドツーエンド学習アルゴリズムを提案する。 また、アンサンブルベースの不確実性対策も提供し、スキャンを単一にしてトレーニングデータセットを拡大します。
• 参考スコア（独自算出の注目度）: 0.7388859384645263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: The localisation and segmentation of individual bones is an important preprocessing step in many planning and navigation applications. It is, however, a time-consuming and repetitive task if done manually. This is true not only for clinical practice but also for the acquisition of training data. We therefore not only present an end-to-end learnt algorithm that is capable of segmenting 125 distinct bones in an upper-body CT, but also provide an ensemble-based uncertainty measure that helps to single out scans to enlarge the training dataset with. Methods We create fully automated end-to-end learnt segmentations using a neural network architecture inspired by the 3D-Unet and fully supervised training. The results are improved using ensembles and inference-time augmentation. We examine the relationship of ensemble-uncertainty to an unlabelled scan's prospective usefulness as part of the training dataset. Results: Our methods are evaluated on an in-house dataset of 16 upper-body CT scans with a resolution of \SI{2}{\milli\meter} per dimension. Taking into account all 125 bones in our label set, our most successful ensemble achieves a median dice score coefficient of 0.83. We find a lack of correlation between a scan's ensemble uncertainty and its prospective influence on the accuracies achieved within an enlarged training set. At the same time, we show that the ensemble uncertainty correlates to the number of voxels that need manual correction after an initial automated segmentation, thus minimising the time required to finalise a new ground truth segmentation. Conclusion: In combination, scans with low ensemble uncertainty need less annotator time while yielding similar future DSC improvements. They are thus ideal candidates to enlarge a training set for upper-body distinct bone segmentation from CT scans. }
• Abstract（参考訳）: 目的: 個々の骨の局所化と分節化は、多くの計画やナビゲーションアプリケーションにおいて重要な前処理である。 しかし、手作業で行うと、時間がかかり反復的なタスクになります。 これは、臨床実習だけでなく、トレーニングデータの取得にも当てはまる。 したがって,上半身ctで125個の異なる骨をセグメント化できるエンドツーエンド学習アルゴリズムを提示するだけでなく,学習データセットを拡大するためのスキャンの単一アウトを支援するアンサンブルベースの不確実性尺度を提供する。 3d-untおよび完全教師付きトレーニングにインスパイアされたニューラルネットワークアーキテクチャを用いて,完全自動化されたエンドツーエンド学習セグメンテーションを作成する。 結果はアンサンブルと推論時間の増大によって改善される。 トレーニングデータセットの一部として,アンサンブル不確かさと非競合スキャンの有用性について検討した。 結果:本手法は1次元あたりのSI{2}{\milli\meter}の解像度で16個の上半身CTスキャンの社内データセットを用いて評価した。 ラベルセットの125個の骨を全て考慮し、最も成功したアンサンブルは、中央値のダイススコア係数0.83を達成する。 我々は,スキャンのアンサンブルの不確かさと,トレーニングセットの拡大によって達成されたアキュラシーに対する予測的影響との間には,相関関係がないことを見出した。 同時に、アンサンブルの不確実性は、初期自動セグメンテーション後の手動補正を必要とするボクセルの数と相関し、新しい基底真理セグメンテーションの完了に必要な時間を最小化することを示す。 結論: アンサンブル不確実性の低いスキャンではアノテーション時間が少なくなり, 将来的なDSCの改善が期待できる。 したがって、これらはCTスキャンから上半身の異なる骨分節のトレーニングセットを拡張するのに理想的な候補である。 }

関連論文リスト

• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• 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)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• 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)
• Diminishing Uncertainty within the Training Pool: Active Learning for Medical Image Segmentation [6.3858225352615285]
  医用画像データセットのセグメンテーション作業におけるアクティブラーニングについて検討する。 トレーニングデータセットをバイアスする不確実データの頻度の増大、入力画像間の相互情報を正規化として利用すること、およびスタイン変動勾配降下(SVGD)のためのダイスログの類似性(Dice log-likelihood)の適応という3つの新しいアクティブ学習戦略を提案する。 その結果、データセット毎に利用可能なデータの22.69 %と48.85 %をそれぞれ使用しながら、完全な精度を達成することで、データ削減の観点での改善が示された。
  論文  参考訳（メタデータ） (2021-01-07T01:55:48Z)
• Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models [20.061463073787234]
  複数のソースと異なるメーカからプールされた大きな骨盤CTデータセットをキュレートすることで、データギャップを埋めることを目指している。 腰椎、仙骨、左股関節、右股関節を分割するための深いマルチクラスのネットワークを学ぶために、私たちの知識を最大限に活用するために、初めて提案します。 最後に,符号付き距離関数(SDF)に基づく後処理ツールを導入し,誤予測を排除した。
  論文  参考訳（メタデータ） (2020-12-16T03:30:40Z)
• 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies [1.2023648183416153]
  本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。 ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。 その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
  論文  参考訳（メタデータ） (2020-10-14T12:54:15Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• 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。