論文の概要: DeepEdit: Deep Editable Learning for Interactive Segmentation of 3D Medical Images

• arxiv url: http://arxiv.org/abs/2305.10655v1
• Date: Thu, 18 May 2023 02:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 17:20:19.860444
• Title: DeepEdit: Deep Editable Learning for Interactive Segmentation of 3D Medical Images
• Title（参考訳）: DeepEdit:3次元医用画像のインタラクティブセグメンテーションのためのディープラーニング学習
• Authors: Andres Diaz-Pinto and Pritesh Mehta and Sachidanand Alle and Muhammad Asad and Richard Brown and Vishwesh Nath and Alvin Ihsani and Michela Antonelli and Daniel Palkovics and Csaba Pinter and Ron Alkalay and Steve Pieper and Holger R. Roth and Daguang Xu and Prerna Dogra and Tom Vercauteren and Andrew Feng and Abood Quraini and Sebastien Ourselin and M. Jorge Cardoso
• Abstract要約: DeepEditは、医用画像ボリュームアノテーションのためのディープラーニングベースの方法である。 自動および半自動セグメンテーション、クリックベースのリファインメントが可能である。 前立腺・前立腺病変に対する PROSTATEx データセットと腹部CT 分割のための BTCV (Multi-Atlas Labeling Beyond the Cranial Vault) データセットを用いて,DeepEdit の価値を示す。
• 参考スコア（独自算出の注目度）: 8.791705415249227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic segmentation of medical images is a key step for diagnostic and interventional tasks. However, achieving this requires large amounts of annotated volumes, which can be tedious and time-consuming task for expert annotators. In this paper, we introduce DeepEdit, a deep learning-based method for volumetric medical image annotation, that allows automatic and semi-automatic segmentation, and click-based refinement. DeepEdit combines the power of two methods: a non-interactive (i.e. automatic segmentation using nnU-Net, UNET or UNETR) and an interactive segmentation method (i.e. DeepGrow), into a single deep learning model. It allows easy integration of uncertainty-based ranking strategies (i.e. aleatoric and epistemic uncertainty computation) and active learning. We propose and implement a method for training DeepEdit by using standard training combined with user interaction simulation. Once trained, DeepEdit allows clinicians to quickly segment their datasets by using the algorithm in auto segmentation mode or by providing clicks via a user interface (i.e. 3D Slicer, OHIF). We show the value of DeepEdit through evaluation on the PROSTATEx dataset for prostate/prostatic lesions and the Multi-Atlas Labeling Beyond the Cranial Vault (BTCV) dataset for abdominal CT segmentation, using state-of-the-art network architectures as baseline for comparison. DeepEdit could reduce the time and effort annotating 3D medical images compared to DeepGrow alone. Source code is available at https://github.com/Project-MONAI/MONAILabel
• Abstract（参考訳）: 医療画像の自動セグメンテーションは、診断および介入作業の重要なステップである。 しかし、これを達成するには大量の注釈付きボリュームが必要であり、専門家の注釈家にとっては退屈で時間のかかる作業である。 本稿では,自動および半自動セグメンテーションとクリックベースのリファインメントを可能にする,ボリュームカルメディカル画像アノテーションのためのディープラーニングベースの深層学習手法であるdeepeditを提案する。 DeepEditは、非インタラクティブ(nnU-Net、UNET、UNETRを使った自動セグメンテーション)とインタラクティブセグメンテーション(DeepGrow)の2つの方法のパワーを1つのディープラーニングモデルに統合する。 不確実性に基づくランキング戦略(アレエータ的および認識的不確実性計算)とアクティブラーニングの容易な統合を可能にする。 本稿では,ユーザインタラクションシミュレーションと組み合わせた標準トレーニングを用いてDeepEditの学習方法を提案する。 deepeditを訓練すると、臨床医はアルゴリズムを自動セグメンテーションモードで使用したり、ユーザーインターフェース(つまり3dスライサ、ohif)経由でクリックを提供することで、データセットを迅速にセグメント化できる。 本稿では,前立腺・前立腺病変に対する PROSTATEx データセットと腹部CTセグメント化のための Multi-Atlas Labeling Beyond the Cranial Vault (BTCV) データセットを用いて,最新のネットワークアーキテクチャをベースラインとして,DeepEdit の価値を示す。 DeepEditは、DeepGrowだけで3D画像に注釈をつける時間と労力を減らすことができる。 ソースコードはhttps://github.com/Project-MONAI/MONAILabelで入手できる。

関連論文リスト

• Modular Deep Active Learning Framework for Image Annotation: A Technical Report for the Ophthalmo-AI Project [1.7325492987380366]
  MedDeepCyleALは、完全なアクティブラーニングサイクルを実装するエンドツーエンドフレームワークである。 研究者に、採用したいディープラーニングモデルの種類を選択する柔軟性を提供する。 MedDeepCyleALはどんな画像データにも適用可能ですが、本プロジェクトでは特に眼科データに適用しています。
  論文  参考訳（メタデータ） (2024-03-22T11:53:03Z)
• ScribblePrompt: Fast and Flexible Interactive Segmentation for Any Biomedical Image [4.076537350106898]
  本稿では,バイオメディカルイメージングのためのフレキシブルニューラルネットワークを用いたインタラクティブセグメンテーションツールであるemphScribblePromptを紹介する。 ドメインの専門家によるユーザスタディでは、ScribblePromptはアノテーションの時間を28%削減し、Diceを15%改善した。 インタラクティブなデモでScribblePromptを紹介し、コードを提供し、https://scribbleprompt.csail.mit.eduでscribbleアノテーションのデータセットをリリースします。
  論文  参考訳（メタデータ） (2023-12-12T15:57:03Z)
• 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)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• Upgraded W-Net with Attention Gates and its Application in Unsupervised 3D Liver Segmentation [0.0]
  自動セグメンテーションのための教師なしディープラーニングに基づくアプローチを提案する。 我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。 提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
  論文  参考訳（メタデータ） (2020-11-20T21:45:28Z)
• 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)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)
• 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)
• IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning [18.163031102785904]
  IntrAというオープンアクセス型3次元頭蓋内動脈瘤データセットを導入し、ポイントベースおよびメッシュベース分類とセグメンテーションモデルの適用を可能にした。 本データセットは頭蓋内動脈瘤の診断に有用であり, 頸部を摘出し, クリッピング術を施行した。
  論文  参考訳（メタデータ） (2020-03-02T05:21:53Z)

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。