論文の概要: A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty

• arxiv url: http://arxiv.org/abs/2306.04579v1
• Date: Wed, 7 Jun 2023 16:28:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 13:23:54.254308
• Title: A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty
• Title（参考訳）: 人工股関節置換術における深層骨構造解析のためのデータセット
• Authors: Kaidong Zhang, Ziyang Gan, Dong Liu, Xifu Shang
• Abstract要約: 全股関節解剖(THA)は整形外科において広く用いられている外科手術である。 ディープラーニング技術は有望だが、学習には高品質なラベル付きデータが必要である。 ディープラーニング指向のデータセットを生成するための効率的なデータアノテーションパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 8.604089365903029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Total hip arthroplasty (THA) is a widely used surgical procedure in orthopedics. For THA, it is of clinical significance to analyze the bone structure from the CT images, especially to observe the structure of the acetabulum and femoral head, before the surgical procedure. For such bone structure analyses, deep learning technologies are promising but require high-quality labeled data for the learning, while the data labeling is costly. We address this issue and propose an efficient data annotation pipeline for producing a deep learning-oriented dataset. Our pipeline consists of non-learning-based bone extraction (BE) and acetabulum and femoral head segmentation (AFS) and active-learning-based annotation refinement (AAR). For BE we use the classic graph-cut algorithm. For AFS we propose an improved algorithm, including femoral head boundary localization using first-order and second-order gradient regularization, line-based non-maximum suppression, and anatomy prior-based femoral head extraction. For AAR, we refine the algorithm-produced pseudo labels with the help of trained deep models: we measure the uncertainty based on the disagreement between the original pseudo labels and the deep model predictions, and then find out the samples with the largest uncertainty to ask for manual labeling. Using the proposed pipeline, we construct a large-scale bone structure analyses dataset from more than 300 clinical and diverse CT scans. We perform careful manual labeling for the test set of our data. We then benchmark multiple state-of-the art deep learning-based methods of medical image segmentation using the training and test sets of our data. The extensive experimental results validate the efficacy of the proposed data annotation pipeline. The dataset, related codes and models will be publicly available at https://github.com/hitachinsk/THA.
• Abstract（参考訳）: 人工股関節置換術(THA)は整形外科において広く用いられている手術である。 THAでは,CT画像から骨構造を解析し,特に手術前,大腿骨頭と大腿骨頭の構造を観察することが臨床的に重要である。 このような骨構造解析のためには、ディープラーニング技術は有望であるが、学習に高品質なラベル付きデータを必要とする。 本稿では,深層学習指向データセットを作成するための効率的なデータアノテーションパイプラインを提案する。 本パイプラインは,非学習型骨抽出法(BE)とアセタブルム法(AFS)とアクティブラーニング型アノテーション改善法(AAR)からなる。 BEには古典的なグラフカットアルゴリズムを用いる。 AFSでは, 1次, 2次勾配正規化, ラインベース非最大抑制, 解剖学的前頭骨抽出による大腿骨頭境界位置推定などの改良アルゴリズムを提案する。 aarの場合、訓練された深層モデルの助けを借りて、アルゴリズムによって生成された擬似ラベルを洗練する:我々は、元の擬似ラベルと深層モデル予測の不一致に基づいて不確実性を測定し、次に、手動のラベルを求める最大の不確実性を持つサンプルを見つける。 提案したパイプラインを用いて,300以上の臨床および多様なCTスキャンから大規模骨構造解析データセットを構築した。 データのテストセットに対して、注意深い手動ラベリングを行います。 次に、データのトレーニングとテストセットを用いて、最先端の深層画像セグメンテーションの複数の手法をベンチマークする。 提案したデータアノテーションパイプラインの有効性を実験的に検証した。 データセット、関連するコード、モデルはhttps://github.com/hitachinsk/THA.comで公開される。

関連論文リスト

• Benefit from public unlabeled data: A Frangi filtering-based pretraining network for 3D cerebrovascular segmentation [8.611575147737147]
  我々はこれまでで最大の未処理TOF-MRAデータセットを構築した。 本稿では,Frangiフィルタに基づく簡易かつ効果的なトレーニング戦略を提案する。 その結果, モデルの性能が向上し, 約3%の改善が得られた。
  論文  参考訳（メタデータ） (2023-12-23T14:47:21Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Does Deep Learning REALLY Outperform Non-deep Machine Learning for Clinical Prediction on Physiological Time Series? [11.901347806586234]
  EHRに基づく臨床予測タスクにおいて,機械学習モデルの性能を体系的に検討する。 3つのディープラーニングメソッドと7つの非深度学習メソッドを含む10のベースライン機械学習モデルを比較した。 その結果,深層学習は非深層学習よりも優れており,一定の条件下では優れていた。
  論文  参考訳（メタデータ） (2022-11-11T07:09:49Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty [36.54112505898611]
  畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折の3および7AOクラスへの自動分類法を提案する。 我々の新しい定式化は、トレーニングサンプルを個別に重み付けし、トレーニングセットを再順序付けし、データのサブセットをサンプリングする3つのカリキュラム戦略を再結合する。 このカリキュラムは、経験豊富な外傷外科医のパフォーマンスまで、大腿骨近位部骨折分類を改善している。
  論文  参考訳（メタデータ） (2020-07-31T14:28:33Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• A generic ensemble based deep convolutional neural network for semi-supervised medical image segmentation [7.141405427125369]
  深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。 本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-04-16T23:41:50Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。