論文の概要: CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images

• arxiv url: http://arxiv.org/abs/2307.03293v2
• Date: Thu, 12 Oct 2023 17:25:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 03:33:22.096533
• Title: CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images
• Title（参考訳）: chexmask: 胸部x線画像のための解剖学的セグメンテーションマスクの大規模データセット
• Authors: Nicol\'as Gaggion, Candelaria Mosquera, Lucas Mansilla, Martina Aineseder, Diego H. Milone, Enzo Ferrante
• Abstract要約: 均一および微細な解剖学的アノテーションを用いた胸部X線マルチセンターセグメンテーションデータセットを提案する。 提案手法はHybridGNetモデルを用いて,一貫性と高品質なセグメンテーションを保証する。 このデータセットは、より広い科学コミュニティにとって貴重なリソースである。
• 参考スコア（独自算出の注目度）: 5.206879137334384
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The development of successful artificial intelligence models for chest X-ray analysis relies on large, diverse datasets with high-quality annotations. While several databases of chest X-ray images have been released, most include disease diagnosis labels but lack detailed pixel-level anatomical segmentation labels. To address this gap, we introduce an extensive chest X-ray multi-center segmentation dataset with uniform and fine-grain anatomical annotations for images coming from six well-known publicly available databases: CANDID-PTX, ChestX-ray8, Chexpert, MIMIC-CXR-JPG, Padchest, and VinDr-CXR, resulting in 676,803 segmentation masks. Our methodology utilizes the HybridGNet model to ensure consistent and high-quality segmentations across all datasets. Rigorous validation, including expert physician evaluation and automatic quality control, was conducted to validate the resulting masks. Additionally, we provide individualized quality indices per mask and an overall quality estimation per dataset. This dataset serves as a valuable resource for the broader scientific community, streamlining the development and assessment of innovative methodologies in chest X-ray analysis. The CheXmask dataset is publicly available at: https://physionet.org/content/chexmask-cxr-segmentation-data/
• Abstract（参考訳）: 胸部X線分析のための人工知能モデルの開発は、高品質なアノテーションを持つ大規模で多様なデータセットに依存している。 胸部X線画像のデータベースがいくつか公開されているが、そのほとんどは疾患診断ラベルを含んでいるが、詳細なピクセルレベルの解剖学的分類ラベルがない。 このギャップに対処するため,CANDID-PTX,ChestX-ray8,Chexpert,MIMIC-CXR-JPG,Padchest,VinDr-CXRの6つの公開データベースから得られる画像に対して,均一かつ微細な解剖学的アノテーションを付加した胸部X線多中心セグメンテーションデータセットを導入する。 提案手法はHybridGNetモデルを用いて,全データセットの一貫性と高品質なセグメンテーションを保証する。 専門医の評価と自動品質管理を含む厳密な検証を行い、その結果のマスクを検証する。 さらに,マスク毎の個別品質指標とデータセット毎の全体的な品質推定も提供する。 このデータセットは、胸部x線分析における革新的な方法論の開発と評価を合理化し、より広い科学コミュニティにとって貴重な資源となっている。 CheXmaskデータセットは、https://physionet.org/content/chexmask-cxr-segmentation-data/で公開されている。

関連論文リスト

• Domain Shift Analysis in Chest Radiographs Classification in a Veterans Healthcare Administration Population [3.4362586245712112]
  DenseNet121モデルのMIMIC-CXRデータセットを深層学習に基づくマルチラベル分類に使用した。 MIMIC-CXR および Veterans Healthcare Administration 胸部X線データセット (VA-CXR) の胸部X線ラベルについて比較検討した。 VA-CXRデータセットはMIMIC-CXRデータセットよりも低い不一致率を示した。
  論文  参考訳（メタデータ） (2024-07-30T19:23:29Z)
• MDF-Net for abnormality detection by fusing X-rays with clinical data [14.347359031598813]
  本研究は,患者の臨床情報が深層学習(DL)分類器の性能に及ぼす影響について検討した。 患者の臨床データと胸部X線を同時に処理できる2つの融合法からなる新しいアーキテクチャを提案する。 その結果, 患者の臨床データをDLモデルに組み込むことで, 胸部X線像の病的局在を平均精度で12%改善できることがわかった。
  論文  参考訳（メタデータ） (2023-02-26T19:16:57Z)
• Vision-Language Generative Model for View-Specific Chest X-ray Generation [18.347723213970696]
  ViewXGenは、フロントビュー胸部X線を生成する既存のメソッドの制限を克服するように設計されている。 提案手法は, データセット内の多様な視線位置を考慮し, 特定の視線を用いた胸部X線の生成を可能にする。
  論文  参考訳（メタデータ） (2023-02-23T17:13:25Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• 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)
• 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。