論文の概要: AbdomenAtlas-8K: Annotating 8,000 CT Volumes for Multi-Organ
Segmentation in Three Weeks
- arxiv url: http://arxiv.org/abs/2305.09666v2
- Date: Mon, 16 Oct 2023 03:24:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 05:19:24.468258
- Title: AbdomenAtlas-8K: Annotating 8,000 CT Volumes for Multi-Organ
Segmentation in Three Weeks
- Title（参考訳）: AbdomenAtlas-8K:3週間の多臓器切除における8,000CTボリュームの注記
- Authors: Chongyu Qu, Tiezheng Zhang, Hualin Qiao, Jie Liu, Yucheng Tang, Alan
Yuille, Zongwei Zhou
- Abstract要約: 本稿では,臓器セグメント化のためのアノテーション処理を高速化する能動的学習法を提案する。
脾臓、肝臓、腎臓、胃、胆嚢、膵臓、大動脈、IVVが8,448CT巻に注釈付けされている。
- 参考スコア（独自算出の注目度）: 11.923295761939329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Annotating medical images, particularly for organ segmentation, is laborious
and time-consuming. For example, annotating an abdominal organ requires an
estimated rate of 30-60 minutes per CT volume based on the expertise of an
annotator and the size, visibility, and complexity of the organ. Therefore,
publicly available datasets for multi-organ segmentation are often limited in
data size and organ diversity. This paper proposes an active learning method to
expedite the annotation process for organ segmentation and creates the largest
multi-organ dataset (by far) with the spleen, liver, kidneys, stomach,
gallbladder, pancreas, aorta, and IVC annotated in 8,448 CT volumes, equating
to 3.2 million slices. The conventional annotation methods would take an
experienced annotator up to 1,600 weeks (or roughly 30.8 years) to complete
this task. In contrast, our annotation method has accomplished this task in
three weeks (based on an 8-hour workday, five days a week) while maintaining a
similar or even better annotation quality. This achievement is attributed to
three unique properties of our method: (1) label bias reduction using multiple
pre-trained segmentation models, (2) effective error detection in the model
predictions, and (3) attention guidance for annotators to make corrections on
the most salient errors. Furthermore, we summarize the taxonomy of common
errors made by AI algorithms and annotators. This allows for continuous
revision of both AI and annotations and significantly reduces the annotation
costs required to create large-scale datasets for a wider variety of medical
imaging tasks.
- Abstract（参考訳）: 医用画像、特に臓器分割のアノテーションは、手間と時間を要する。
例えば、腹部臓器のアノテートには、アノテーターの専門知識と臓器の大きさ、可視性、複雑さに基づいて、CT体積あたり30～60分を見積もる必要がある。
したがって、マルチ組織セグメンテーションのための公開データセットは、しばしばデータサイズと臓器の多様性に制限される。
本稿では,臓器分節の注釈処理を迅速化するためのアクティブラーニング手法を提案し,脾臓,肝臓,腎臓,胃,胆嚢,膵臓,大動脈,ivcに対して,8,448ctボリュームで注釈を付け,320万スライスと同等の(これまで限り)最大のマルチオルガンデータセットを作成する。
従来のアノテーション手法では、このタスクを完了するのに1,600週間(または約30.8年)を要した。
対照的に、アノテーションメソッドは、同様の、あるいはより優れたアノテーション品質を維持しながら、3週間(8時間の作業日、週5日)でこのタスクを完了しました。
この成果は,(1)複数の事前学習されたセグメンテーションモデルを用いたラベルバイアス低減,(2)モデル予測における効果的な誤り検出,(3)最もサルエントな誤りを訂正するための注釈者への注意誘導,の3つの特徴に起因している。
さらに,AIアルゴリズムやアノテータによる一般的なエラーの分類を要約する。
これにより、AIとアノテーションの両方を継続的に修正し、幅広い医療画像タスクのために大規模なデータセットを作成するのに必要なアノテーションコストを大幅に削減できる。
関連論文リスト
- Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。
このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。
半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
論文 参考訳（メタデータ） (2024-04-02T09:31:06Z) - CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。
提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
論文 参考訳（メタデータ） (2023-01-02T18:07:44Z) - 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) - WORD: Revisiting Organs Segmentation in the Whole Abdominal Region [14.752924082744814]
全腹部臓器の分節は腹部病変の診断,放射線治療計画,経過観察において重要な役割を担っている。
深層学習に基づく医療画像のセグメンテーションは、手動のデライン化の労力を減らす可能性を示しているが、それでもトレーニングには大規模な微妙な注釈付きデータセットが必要である。
本研究では,アルゴリズム研究と臨床応用のための大規模なtextitWhole abdominal textitORgans textitDataset (textitWORD) を確立する。
論文 参考訳（メタデータ） (2021-11-03T02:26:14Z) - Efficient and Generic Interactive Segmentation Framework to Correct
Mispredictions during Clinical Evaluation of Medical Images [32.00559434186769]
我々はディープニューラルネットワーク(DNN)のための新しい条件推論手法を提案する。
他の方法とは異なり、我々の手法は複数の構造を同時に修正し、初期セグメンテーションで欠落した構造を追加することができる。
本手法は, 専門医の介入を最小限に抑えて, 診断・術後の経過観察に有用である。
論文 参考訳（メタデータ） (2021-08-06T08:06:18Z) - RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random
Anatomical Prior [4.177877537413942]
粗密な腹部マルチオルガンセグメンテーションは、高解像度セグメンテーションの抽出を容易にします。
複数の臓器に対応するモデルに代えて,全腹部臓器を分節する単一改良モデルを提案する。
提案手法は,平均diceスコアが84.58%と,81.69% (p0.0001) の13モデルにおいて,最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-23T00:22:05Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - 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) - 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) - 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)
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。