論文の概要: Duke Spleen Data Set: A Publicly Available Spleen MRI and CT dataset for Training Segmentation

• arxiv url: http://arxiv.org/abs/2305.05732v1
• Date: Tue, 9 May 2023 19:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 15:33:51.452235
• Title: Duke Spleen Data Set: A Publicly Available Spleen MRI and CT dataset for Training Segmentation
• Title（参考訳）: Duke Spleen Data Set: トレーニングセグメンテーションのための公開Spleen MRIとCTデータセット
• Authors: Yuqi Wang, Jacob A. Macdonald, Katelyn R. Morgan, Danielle Hom, Sarah Cubberley, Kassi Sollace, Nicole Casasanto, Islam H. Zaki, Kyle J. Lafata, Mustafa R. Bashir
• Abstract要約: Duke Spleen Data Set (DSDS) は、慢性肝疾患と門脈圧亢進症患者の109個のCTおよびMRIボリュームを含む。 データセットには、さまざまなイメージタイプ、ベンダー、プレーン、コントラスト、および下層の疾患状態によるさまざまな脾臓の形状とサイズが含まれている。
• 参考スコア（独自算出の注目度）: 1.2905309528317335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spleen volumetry is primarily associated with patients suffering from chronic liver disease and portal hypertension, as they often have spleens with abnormal shapes and sizes. However, manually segmenting the spleen to obtain its volume is a time-consuming process. Deep learning algorithms have proven to be effective in automating spleen segmentation, but a suitable dataset is necessary for training such algorithms. To our knowledge, the few publicly available datasets for spleen segmentation lack confounding features such as ascites and abdominal varices. To address this issue, the Duke Spleen Data Set (DSDS) has been developed, which includes 109 CT and MRI volumes from patients with chronic liver disease and portal hypertension. The dataset includes a diverse range of image types, vendors, planes, and contrasts, as well as varying spleen shapes and sizes due to underlying disease states. The DSDS aims to facilitate the creation of robust spleen segmentation models that can take into account these variations and confounding factors.
• Abstract（参考訳）: 脾臓容積は、主に慢性肝疾患や門脈圧亢進症に苦しむ患者と関連しており、しばしば異常な形状と大きさの脾臓を持つ。 しかし、手動で脾臓を分別して容積を得るのは時間を要するプロセスである。 深層学習アルゴリズムは脾臓セグメンテーションの自動化に有効であることが証明されているが、そのようなアルゴリズムのトレーニングには適切なデータセットが必要である。 我々の知る限り、脾臓分画のための数少ない公開データセットは、腹水や腹部静脈瘤のような異常な特徴を欠いている。 この問題に対処するため、Duke Spleen Data Set (DSDS) が開発され、慢性肝疾患と門脈圧亢進症患者109例のCTおよびMRIボリュームが提供されている。 データセットには、さまざまなイメージタイプ、ベンダー、プレーン、コントラスト、および下層の疾患状態によるさまざまな脾臓の形状とサイズが含まれている。 DSDSは、これらのバリエーションや要因を考慮に入れた堅牢な脾分割モデルの作成を容易にすることを目的としている。

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)
• CBCTLiTS: A Synthetic, Paired CBCT/CT Dataset For Segmentation And Style Transfer [0.21847754147782888]
  CBCTLiTS(CBCTLiTS)は,高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・ CBCTデータは5つの異なる品質レベルで提供され、視覚的品質の高い多数の投影から、厳密なアーティファクトを持つ少数の投影まで到達する。
  論文  参考訳（メタデータ） (2024-07-20T11:47:20Z)
• SCPMan: Shape Context and Prior Constrained Multi-scale Attention Network for Pancreatic Segmentation [39.70422146937986]
  本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。 我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
  論文  参考訳（メタデータ） (2023-12-26T03:00:25Z)
• Attention-based CT Scan Interpolation for Lesion Segmentation of Colorectal Liver Metastases [2.680862925538592]
  大腸癌 (CRLM) に共通する小肝病変は, 畳み込みニューラルネットワーク (CNN) セグメンテーションモデルでは困難である。 我々は,CTスキャンにおける連続3重スライスから中間スライスを生成する,教師なしアテンションベースモデルを提案する。 モデルの出力は元の入力スライスと一致し、2つの最先端3Dセグメンテーションパイプラインにおけるセグメンテーション性能を向上する。
  論文  参考訳（メタデータ） (2023-08-30T10:21:57Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  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。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset [57.30136148318641]
  Fetoscopy Laser Photocoagulation はツイン・ツー・ツイン・トランスフュージョン症候群(TTTS)の治療に広く用いられている治療法である これにより、プロシージャ時間と不完全アブレーションが増加し、持続的なTTTSが生じる可能性がある。 コンピュータ支援による介入は、ビデオモザイクによって胎児の視野を広げ、船体ネットワークのより良い視覚化を提供することによって、これらの課題を克服するのに役立つかもしれない。 本稿では,長期フェトスコープビデオからドリフトフリーモザイクを作成することを目的とした,胎児環境のための汎用的でロバストなセマンティックセマンティックセグメンテーションとビデオモザイクアルゴリズムを開発するための大規模マルチセントデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:14:27Z)
• 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)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• 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。