論文の概要: Unleashing the Strengths of Unlabeled Data in Pan-cancer Abdominal Organ
Quantification: the FLARE22 Challenge
- arxiv url: http://arxiv.org/abs/2308.05862v1
- Date: Thu, 10 Aug 2023 21:51:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 15:33:38.686403
- Title: Unleashing the Strengths of Unlabeled Data in Pan-cancer Abdominal Organ
Quantification: the FLARE22 Challenge
- Title(参考訳): pan-cancer abdominal organ quantificationにおけるラベルなしデータの強みの解明:flare22チャレンジ
- Authors: Jun Ma, Yao Zhang, Song Gu, Cheng Ge, Shihao Ma, Adamo Young, Cheng
Zhu, Kangkang Meng, Xin Yang, Ziyan Huang, Fan Zhang, Wentao Liu, YuanKe Pan,
Shoujin Huang, Jiacheng Wang, Mingze Sun, Weixin Xu, Dengqiang Jia, Jae Won
Choi, Nat\'alia Alves, Bram de Wilde, Gregor Koehler, Yajun Wu, Manuel
Wiesenfarth, Qiongjie Zhu, Guoqiang Dong, Jian He, the FLARE Challenge
Consortium, and Bo Wang
- Abstract要約: FLARE 2022 Challengeは、これまでで最大の腹部臓器分析チャレンジで、高速、低リソース、正確、アノテーション効率、一般化されたAIアルゴリズムをベンチマークします。
我々は50以上の医療グループからなる大陸間・多国間データセットを構築した。
最高の性能のアルゴリズムは、それぞれ北米、ヨーロッパ、アジアのコホートで89.5%、90.9%、88.3%という中央値のDSCを達成した。
- 参考スコア(独自算出の注目度): 18.48059187629883
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantitative organ assessment is an essential step in automated abdominal
disease diagnosis and treatment planning. Artificial intelligence (AI) has
shown great potential to automatize this process. However, most existing AI
algorithms rely on many expert annotations and lack a comprehensive evaluation
of accuracy and efficiency in real-world multinational settings. To overcome
these limitations, we organized the FLARE 2022 Challenge, the largest abdominal
organ analysis challenge to date, to benchmark fast, low-resource, accurate,
annotation-efficient, and generalized AI algorithms. We constructed an
intercontinental and multinational dataset from more than 50 medical groups,
including Computed Tomography (CT) scans with different races, diseases,
phases, and manufacturers. We independently validated that a set of AI
algorithms achieved a median Dice Similarity Coefficient (DSC) of 90.0\% by
using 50 labeled scans and 2000 unlabeled scans, which can significantly reduce
annotation requirements. The best-performing algorithms successfully
generalized to holdout external validation sets, achieving a median DSC of
89.5\%, 90.9\%, and 88.3\% on North American, European, and Asian cohorts,
respectively. They also enabled automatic extraction of key organ biology
features, which was labor-intensive with traditional manual measurements. This
opens the potential to use unlabeled data to boost performance and alleviate
annotation shortages for modern AI models.
- Abstract(参考訳): 腹部疾患の診断と治療計画には定量的臓器評価が不可欠である。
人工知能(AI)はこのプロセスを自動化するための大きな可能性を示している。
しかし、既存のAIアルゴリズムの多くは、多くの専門家アノテーションに依存しており、現実世界の多国籍設定における精度と効率の包括的な評価が欠けている。
これらの制限を克服するために、私たちはFLARE 2022 Challengeを組織しました。これは、これまでで最大の腹部臓器分析チャレンジで、高速で低リソース、正確、アノテーション効率、一般化されたAIアルゴリズムをベンチマークします。
我々は,50以上の医療グループから大陸間および多国籍のデータセットを構築した。
我々は、50個のラベル付きスキャンと2000個のラベルなしスキャンを用いて、AIアルゴリズムのセットが90.0\%のDice similarity Coefficient(DSC)を達成したことを独立に検証した。
最も優れたアルゴリズムは、北米、ヨーロッパ、アジアのコホートにおいて89.5\%、90.9\%、88.3\%の中央値dscを達成し、外部検証セットを保持するように一般化した。
彼らはまた、従来の手動測定に労働集約的な重要な臓器生物学的特徴の自動抽出を可能にした。
これにより、ラベルのないデータを使用してパフォーマンスを高め、現代のAIモデルのアノテーション不足を軽減することが可能になる。
関連論文リスト
- OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for
Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。
本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。
AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文 参考訳(メタデータ) (2024-01-22T20:17:14Z) - 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) - CEPHA29: Automatic Cephalometric Landmark Detection Challenge 2023 [0.402058998065435]
我々は,CEPHA29自動ケパロメトリランドマーク検出チャレンジを組織する。
我々は、1000個の頭蓋X線画像からなる、最も広く公開されているデータセットを提供する。
われわれの挑戦が、この分野の新しい時代の始まりを告げてくれることを期待している」と述べた。
論文 参考訳(メタデータ) (2022-12-09T12:25:58Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳(メタデータ) (2022-04-13T15:27:05Z) - MedDistant19: A Challenging Benchmark for Distantly Supervised
Biomedical Relation Extraction [19.046156065686308]
遠隔監視は、注釈付きデータの不足に対処するために一般的に使用される。
バイオDSREモデルは、いくつかのベンチマークで非常に正確な結果が得られるように見える。
しかし,タスクの難易度を考慮し,このような印象的な結果の有効性について検討した。
論文 参考訳(メタデータ) (2022-04-10T22:07:25Z) - Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS)
Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。
現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。
2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。
簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文 参考訳(メタデータ) (2022-01-03T03:06:38Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳(メタデータ) (2021-11-18T00:43:41Z) - Learning from Subjective Ratings Using Auto-Decoded Deep Latent
Embeddings [23.777855250882244]
ラベルにおける主観性管理は医用画像解析における根本的な問題である。
自動復号型ディープ潜在埋め込み(addle)を導入する
ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
論文 参考訳(メタデータ) (2021-04-12T15:40:42Z) - Weak labels and anatomical knowledge: making deep learning practical for
intracranial aneurysm detection in TOF-MRA [0.0]
我々は、過大な弱いラベルを用いてトレーニングされる、完全に自動化されたディープニューラルネットワークを開発する。
当社のネットワークは、社内データで平均77%の感度を達成し、患者1人当たりの平均False Positive(FP)レートは0.72です。
論文 参考訳(メタデータ) (2021-03-10T16:31:54Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。