Fugu-MT 論文翻訳(概要): Automated segmentation of intracranial hemorrhages from 3D CT

論文の概要: Automated segmentation of intracranial hemorrhages from 3D CT

arxiv url: http://arxiv.org/abs/2209.10648v1
Date: Wed, 21 Sep 2022 20:37:32 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 14:19:30.808165
Title: Automated segmentation of intracranial hemorrhages from 3D CT
Title（参考訳）: 3次元CTによる頭蓋内出血の自動化
Authors: Md Mahfuzur Rahman Siddiquee, Dong Yang, Yufan He, Daguang Xu, Andriy Myronenko
Abstract要約: 頭蓋内出血セグメンテーションチャレンジ(INSTANCE 2022)は、研究者が3次元CTからの出血脳梗塞領域のセグメンテーションに対する解決策を比較するためのプラットフォームを提供する。 2DセグメンテーションネットワークであるMONAIのSegResNetを使い、再サンプリングせずにスライス的に動作します。
参考スコア（独自算出の注目度）: 9.814838162752114
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Intracranial hemorrhage segmentation challenge (INSTANCE 2022) offers a platform for researchers to compare their solutions to segmentation of hemorrhage stroke regions from 3D CTs. In this work, we describe our solution to INSTANCE 2022. We use a 2D segmentation network, SegResNet from MONAI, operating slice-wise without resampling. The final submission is an ensemble of 18 models. Our solution (team name NVAUTO) achieves the top place in terms of Dice metric (0.721), and overall rank 2. It is implemented with Auto3DSeg.
Abstract（参考訳）: 脳内出血セグメンテーションチャレンジ (INSTANCE 2022) は、研究者が3次元CTからの出血脳梗塞領域のセグメンテーションに対する解決策を比較するためのプラットフォームを提供する。本稿では,INSTANCE 2022に対するソリューションについて述べる。 2DセグメンテーションネットワークであるMONAIのSegResNetを使い、再サンプリングせずにスライス的に動作します。最後の提案は18のモデルからなるアンサンブルである。我々のソリューション(チーム名NVAUTO)は、Diceのメートル法(0.721)と全体的なランク2でトップとなる。 Auto3DSegで実装されている。

関連論文リスト

Automated 3D Segmentation of Kidneys and Tumors in MICCAI KiTS 2023 Challenge [11.820386742605539]
我々は2023年のKidney and Kidney tumor Challenge(KiTS)に応募した。我々の解は0.835のディスと0.723のサーフェスを達成し、KiTS 2023チャレンジで優勝した。
論文参考訳（メタデータ） (2023-10-06T09:20:22Z)
Fully Automatic Segmentation of Gross Target Volume and Organs-at-Risk for Radiotherapy Planning of Nasopharyngeal Carcinoma [0.0]
SegRap 2023チャレンジは、鼻咽頭癌(NPC)のセグメンテーションアルゴリズムのベンチマークに重点を置いている。我々は,全自動フレームワークを提案し,OAR (45 Organs at Risk) とGross tumor Volumes (GTVs) のセグメンテーションのための2つのモデルを開発した。本手法は,課題の検証段階において,各課題に対して第2位となった。
論文参考訳（メタデータ） (2023-10-04T17:10:13Z)
3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic Segmentation on VSPW [68.56017675820897]
本稿では,PVUW2023 VSSトラックの3位解について紹介する。ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
論文参考訳（メタデータ） (2023-06-04T07:50:38Z)
Automated head and neck tumor segmentation from 3D PET/CT [9.814838162752112]
HECKTOR (Head and neck tumor segmentation Challenge) 2022は、3D CTおよびPET画像から腫瘍とリンパ節のセグメンテーションの解決策を比較するためのプラットフォームを提供する。すべての画像を共通の解像度に再サンプリングし、頭と首の領域をトリミングし、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークをトレーニングします。 HECKTOR22チャレンジリーダーボードの総合スコアは0.78802である。
論文参考訳（メタデータ） (2022-09-22T06:24:09Z)
Automated ischemic stroke lesion segmentation from 3D MRI [8.52488593202588]
Ischemic Stroke Lesion Challenge (ISLES 2022)は、研究者がソリューションを3D MRIから虚血脳梗塞領域の3Dセグメンテーションと比較するためのプラットフォームを提供する。我々は、すべての画像を共通の解像度に再サンプリングし、2つのMRIモード(DWIとADC)を使用し、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークを訓練する。
論文参考訳（メタデータ） (2022-09-20T08:21:57Z)
PARSE challenge 2022: Pulmonary Arteries Segmentation using Swin U-Net Transformer(Swin UNETR) and U-Net [0.10032961794537368]
我々は,Swin UNETR と U-Net を用いた深層ニューラルネットワークアーキテクチャを用いて肺動脈をCTスキャンから抽出する手法を提案する。私たちのチームはこの方法でマルチレベルダイススコア84.36パーセントを達成しました。
論文参考訳（メタデータ） (2022-08-20T08:49:47Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
論文参考訳（メタデータ） (2021-10-07T11:44:09Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文参考訳（メタデータ） (2020-12-30T20:44:55Z)
Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文参考訳（メタデータ） (2020-10-29T15:39:19Z)

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。