論文の概要: Enrichment of the NLST and NSCLC-Radiomics computed tomography
collections with AI-derived annotations
- arxiv url: http://arxiv.org/abs/2306.00150v1
- Date: Wed, 31 May 2023 19:46:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 19:38:39.570017
- Title: Enrichment of the NLST and NSCLC-Radiomics computed tomography
collections with AI-derived annotations
- Title（参考訳）: NLSTおよびNSCLC-Radiomics計算トモグラフィーコレクションのAI由来アノテーションによる強化
- Authors: Deepa Krishnaswamy, Dennis Bontempi, Vamsi Thiriveedhi, Davide Punzo,
David Clunie, Christopher P Bridge, Hugo JWL Aerts, Ron Kikinis, Andrey
Fedorov
- Abstract要約: 胸部CT画像, NSCLC-Radiomics, NSCLC-Radiomics と National Lung Screening Trial の2つのコレクションにAI生成アノテーションを導入する。
結果として得られたアノテーションはNCI Imaging Data Commons (IDC)で公開されており、DICOMフォーマットはデータを調和させ、FAIR原則を達成するために使用される。
この研究は、大規模でパブリックにキュレートされたデータセットの必要性を強化し、AIががんイメージングにどのように役立つかを実証する。
- 参考スコア（独自算出の注目度）: 0.16863755729554886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public imaging datasets are critical for the development and evaluation of
automated tools in cancer imaging. Unfortunately, many do not include
annotations or image-derived features, complicating their downstream analysis.
Artificial intelligence-based annotation tools have been shown to achieve
acceptable performance and thus can be used to automatically annotate large
datasets. As part of the effort to enrich public data available within NCI
Imaging Data Commons (IDC), here we introduce AI-generated annotations for two
collections of computed tomography images of the chest, NSCLC-Radiomics, and
the National Lung Screening Trial. Using publicly available AI algorithms we
derived volumetric annotations of thoracic organs at risk, their corresponding
radiomics features, and slice-level annotations of anatomical landmarks and
regions. The resulting annotations are publicly available within IDC, where the
DICOM format is used to harmonize the data and achieve FAIR principles. The
annotations are accompanied by cloud-enabled notebooks demonstrating their use.
This study reinforces the need for large, publicly accessible curated datasets
and demonstrates how AI can be used to aid in cancer imaging.
- Abstract（参考訳）: 公共画像データセットは、癌画像における自動化ツールの開発と評価に重要である。
残念なことに、多くのものはアノテーションや画像由来の機能を含んでおらず、下流の分析を複雑にしている。
人工知能ベースのアノテーションツールは許容可能なパフォーマンスを達成するために示されており、大規模なデータセットの自動アノテートに使用できる。
NCI Imaging Data Commons (IDC) の公開データを充実させる取り組みの一環として, 胸部CT画像, NSCLC-Radiomics, National Lung Screening Trialの2つのコレクションに対するAI生成アノテーションを紹介する。
公開されているAIアルゴリズムを使用して、胸部臓器のボリュームアノテーション、それに対応する放射線特性、解剖学的ランドマークと領域のスライスレベルアノテーションを抽出した。
結果として得られたアノテーションはIDC内で公開されており、DICOMフォーマットはデータを調和させ、FAIR原則を達成するために使用される。
アノテーションにはクラウド対応ノートブックが添付されている。
この研究は、大規模で一般公開されたキュレートされたデータセットの必要性を強化し、AIががんイメージングにどのように役立つかを実証する。
関連論文リスト
- AI generated annotations for Breast, Brain, Liver, Lungs and Prostate cancer collections in National Cancer Institute Imaging Data Commons [0.09462026329066188]
AI in Medical Imaging Projectは、国立がん研究所(NCI)イメージデータコモンズ(IDC)の強化を目的としている。
私たちは、11のIDCコレクションのための高品質なAIアノテーション付き画像データセットを作成しました。
論文 参考訳（メタデータ） (2024-09-30T14:43:09Z) - AbdomenAtlas: A Large-Scale, Detailed-Annotated, & Multi-Center Dataset for Efficient Transfer Learning and Open Algorithmic Benchmarking [16.524596737411006]
腹部CTデータセット(AbdomenAtlasと略す)は, 多様な人口, 地理, 施設にまたがる112の病院の3次元CTボリューム20,460点が最も大きい。
AbamenAtlasは、AIアルゴリズムの助けを借りて10人の放射線学者のチームが注釈を付けた腹部領域の解剖学的構造の、673Kの高品質マスクを提供する。
論文 参考訳（メタデータ） (2024-07-23T17:59:44Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Finding-Aware Anatomical Tokens for Chest X-Ray Automated Reporting [13.151444796296868]
本稿では,解剖学的構造定位時に抽出した候補境界ボックスの検出を行う,Faster R-CNNの新たな適応法を提案する。
得られたバウンディングボックスの特徴表現を解剖学的トークンの発見セットとして使用します。
タスク対応の解剖学的トークンは、自動レポートパイプラインに統合された場合、最先端のパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2023-08-30T11:35:21Z) - Building RadiologyNET: Unsupervised annotation of a large-scale
multimodal medical database [0.4915744683251151]
医学的診断と治療における機械学習の使用は、近年顕著な成長をみせている。
しかし、アノテーションのプロセスは時間がかかり、コストがかかるため、大きな注釈付き画像データセットが利用できることは大きな障害である。
本稿では, 医用放射線画像のデータベースに意味的類似性について, 自動的に注釈付けを行う方法について検討する。
論文 参考訳（メタデータ） (2023-07-27T13:00:33Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Artificial Intelligence For Breast Cancer Detection: Trends & Directions [0.0]
本稿では,乳がん検診の自動化に研究者が用いた様々な画像モダリティを解析する。
この記事では、過去10年間に提案されたAIとコンピュータビジョンに基づく最先端の手法を要約し、乳癌を検出する。
論文 参考訳（メタデータ） (2021-10-03T07:22:21Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。