Fugu-MT 論文翻訳(概要): Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation

論文の概要: Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation

arxiv url: http://arxiv.org/abs/2310.01159v1
Date: Mon, 2 Oct 2023 12:45:13 GMT
ステータス: 処理完了
システム内更新日: 2023-10-04 21:51:23.985385
Title: Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation
Title（参考訳）: 腹部臓器と腫瘍切開の反復的半監督学習
Authors: Jiaxin Zhuang and Luyang Luo and Zhixuan Chen, and Linshan Wu
Abstract要約: FLARE23チャレンジは、部分的データと完全注釈付きデータの両方を備えた大規模なデータセットを提供する。我々は、FLARE23に対処するために、Semi-Supervised Learning(SSL)と反復的な擬似ラベリングの戦略を用いることを提案する。本手法では, 臓器の平均DSCスコアは89.63%, 腫瘍は46.07%である。
参考スコア（独自算出の注目度）: 4.952008176585512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep-learning (DL) based methods are playing an important role in the task of abdominal organs and tumors segmentation in CT scans. However, the large requirements of annotated datasets heavily limit its development. The FLARE23 challenge provides a large-scale dataset with both partially and fully annotated data, which also focuses on both segmentation accuracy and computational efficiency. In this study, we propose to use the strategy of Semi-Supervised Learning (SSL) and iterative pseudo labeling to address FLARE23. Initially, a deep model (nn-UNet) trained on datasets with complete organ annotations (about 220 scans) generates pseudo labels for the whole dataset. These pseudo labels are then employed to train a more powerful segmentation model. Employing the FLARE23 dataset, our approach achieves an average DSC score of 89.63% for organs and 46.07% for tumors on online validation leaderboard. For organ segmentation, We obtain 0.9007\% DSC and 0.9493\% NSD. For tumor segmentation, we obtain 0.3785% DSC and 0.2842% NSD. Our code is available at https://github.com/USTguy/Flare23.
Abstract（参考訳）: 深層学習(DL)に基づく手法は,CTスキャンにおける腹部臓器と腫瘍の分節化において重要な役割を担っている。しかし、注釈付きデータセットの大きな要求は、その開発を著しく制限する。 FLARE23チャレンジは、部分的データと完全注釈付きデータの両方を備えた大規模なデータセットを提供し、セグメンテーションの精度と計算効率の両方に焦点を当てている。本研究では,FLARE23に対処するために,半教師付き学習(SSL)と反復的な擬似ラベリングの戦略を提案する。当初は、完全な臓器アノテーション(約220スキャン)を備えたデータセットでトレーニングされたディープモデル(nn-UNet)が、データセット全体の擬似ラベルを生成する。これらの擬似ラベルは、より強力なセグメンテーションモデルをトレーニングするために使用される。 FLARE23データセットを用いることで、臓器の平均DSCスコアは89.63%、オンラインバリデーションリーダーボードでは46.07%となる。臓器セグメンテーションでは, 0.9007\% DSC と 0.9493\% NSD が得られた。腫瘍セグメンテーションでは0.3785%のDSCと0.2842%のSDが得られた。私たちのコードはhttps://github.com/ustguy/flare23で利用可能です。

関連論文リスト

SALT: Introducing a Framework for Hierarchical Segmentations in Medical Imaging using Softmax for Arbitrary Label Trees [1.004700727815227]
本研究は, 解剖学的ランドマークの階層構造を地図化するために条件付き確率を利用するCT画像の新しいセグメンテーション手法を提案する。 The Cancer Imaging Archive (TCIA)のSAROSデータセットを用いて、893人の患者から900の身体領域を分離したモデルを開発した。 SAROS, CT-ORG, FLARE22, LCTSC, LUNA16, WORDなど,各種データセットのDiceスコアを用いて評価を行った。
論文参考訳（メタデータ） (2024-07-11T21:33:08Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
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)
The impact of training dataset size and ensemble inference strategies on head and neck auto-segmentation [0.0]
コンボリューショナルニューラルネットワーク(CNN)は、放射線治療において臓器とリスクのセグメンテーションを自動化するためにますます使われている。頭部・頸部自動分離モデルの正確かつ堅牢な訓練に要するデータ量について検討した。確立された3D CNNは、スクラッチから異なるサイズのデータセット(25-1000スキャン)を用いて訓練され、脳幹、耳下腺、脊髄をCTで分割した。これらのモデルの性能向上のために,複数のアンサンブル手法を評価した。
論文参考訳（メタデータ） (2023-03-30T12:14:07Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task [17.648013128690216]
本稿では,脳腫瘍セグメンテーション課題に対する対角学習に基づくトレーニング手法を提案する。 RSNA-ASNR-MICCAI BraTS 2021データセットを用いてネットワークアーキテクチャのトレーニングと評価を行った。提案手法は,84.55%,90.46%,85.30%,ハウゼンドルフ距離(95%)が13.48mm,6.32mm,16.98mmであった。
論文参考訳（メタデータ） (2022-01-11T04:44:29Z)
CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文参考訳（メタデータ） (2021-10-29T18:41:15Z)
COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文参考訳（メタデータ） (2021-02-11T18:16:18Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。