論文の概要: BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset

• arxiv url: http://arxiv.org/abs/2308.11298v2
• Date: Wed, 23 Aug 2023 05:44:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 11:12:04.969308
• Title: BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset
• Title（参考訳）: bhsd : 3次元脳出血分画データセット
• Authors: Biao Wu, Yutong Xie, Zeyu Zhang, Jinchao Ge, Kaspar Yaxley, Suzan Bahadir, Qi Wu, Yifan Liu, Minh-Son To
• Abstract要約: 頭蓋内出血 (ICH) は頭蓋内出血や脳内出血を特徴とする病態である。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクにも応用されている。 既存の公開ICHデータセットは、マルチクラスセグメンテーション問題をサポートしない。
• 参考スコア（独自算出の注目度）: 24.094836682245006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intracranial hemorrhage (ICH) is a pathological condition characterized by bleeding inside the skull or brain, which can be attributed to various factors. Identifying, localizing and quantifying ICH has important clinical implications, in a bleed-dependent manner. While deep learning techniques are widely used in medical image segmentation and have been applied to the ICH segmentation task, existing public ICH datasets do not support the multi-class segmentation problem. To address this, we develop the Brain Hemorrhage Segmentation Dataset (BHSD), which provides a 3D multi-class ICH dataset containing 192 volumes with pixel-level annotations and 2200 volumes with slice-level annotations across five categories of ICH. To demonstrate the utility of the dataset, we formulate a series of supervised and semi-supervised ICH segmentation tasks. We provide experimental results with state-of-the-art models as reference benchmarks for further model developments and evaluations on this dataset.
• Abstract（参考訳）: 頭蓋内出血(英: intracranial hemorrhage、ich)は、頭蓋骨や脳内の出血を特徴とする病態である。 ICHの同定、局在化、定量化は、出血依存的な方法で重要な臨床的意味を持つ。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクに応用されているが、既存の公開ICHデータセットはマルチクラスセグメンテーション問題をサポートしない。 そこで我々は,脳出血セグメンテーションデータセット(bhsd)を開発し,192巻の画素レベルアノテーションと2200巻のスライスレベルアノテーションを5つのカテゴリにまたいだ3dマルチクラスichデータセットを提供する。 データセットの有用性を示すために、教師付きおよび半教師付きICHセグメンテーションの一連のタスクを定式化する。 このデータセットのさらなるモデル開発と評価のための基準ベンチマークとして、最先端モデルを用いた実験結果を提供する。

関連論文リスト

• Automated 3D Tumor Segmentation using Temporal Cubic PatchGAN (TCuP-GAN) [0.276240219662896]
  テンポラルキューブPatchGAN(TCuP-GAN)は、畳み込み長短期記憶ネットワーク(LSTM)を用いた生成的特徴学習フレームワークの概念を結合したボリューム・ツー・ボリューム翻訳モデルである。 われわれは,4つのセグメンテーション課題 (Adult Glioma, Meningioma, Pediatric tumors, Sub-Saharan Africa) のデータに基づくTCuP-GANの有用性を実証した。 すべての課題にまたがって、堅牢なマルチクラスセグメンテーションマスクを予測するために、我々のフレームワークが成功したことを実証する。
  論文  参考訳（メタデータ） (2023-11-23T18:37:26Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies [1.2023648183416153]
  本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。 ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。 その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
  論文  参考訳（メタデータ） (2020-10-14T12:54:15Z)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)
• 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)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)
• 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)
• Deep Learning in Multi-organ Segmentation [2.3467691785656557]
  医学的画像分割と応用のための最新のDLベースの手法を要約した。 各カテゴリについて、調査対象の作品をリストアップし、重要なコントリビューションを強調し、特定の課題を特定しました。 ベンチマークデータを用いた胸部・頭頸部の多臓器分割法について,総括的比較を行った。
  論文  参考訳（メタデータ） (2020-01-28T22:11:44Z)
• 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。