論文の概要: MRAnnotator: A Multi-Anatomy Deep Learning Model for MRI Segmentation

• arxiv url: http://arxiv.org/abs/2402.01031v1
• Date: Thu, 1 Feb 2024 21:43:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 17:41:51.579360
• Title: MRAnnotator: A Multi-Anatomy Deep Learning Model for MRI Segmentation
• Title（参考訳）: MR Annotator:MRIセグメンテーションのためのマルチ解剖学的深層学習モデル
• Authors: Alexander Zhou, Zelong Liu, Andrew Tieu, Nikhil Patel, Sean Sun, Anthony Yang, Peter Choi, Valentin Fauveau, George Soultanidis, Mingqian Huang, Amish Doshi, Zahi A. Fayad, Timothy Deyer, Xueyan Mei
• Abstract要約: モデル開発と評価のために2つのデータセットをキュレートし、注釈を付けた。 開発したモデルでは,MRI画像上で49の解剖学的構造の堅牢かつ一般化可能なセグメンテーションが達成されている。
• 参考スコア（独自算出の注目度）: 31.000474738216155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose To develop a deep learning model for multi-anatomy and many-class segmentation of diverse anatomic structures on MRI imaging. Materials and Methods In this retrospective study, two datasets were curated and annotated for model development and evaluation. An internal dataset of 1022 MRI sequences from various clinical sites within a health system and an external dataset of 264 MRI sequences from an independent imaging center were collected. In both datasets, 49 anatomic structures were annotated as the ground truth. The internal dataset was divided into training, validation, and test sets and used to train and evaluate an nnU-Net model. The external dataset was used to evaluate nnU-Net model generalizability and performance in all classes on independent imaging data. Dice scores were calculated to evaluate model segmentation performance. Results The model achieved an average Dice score of 0.801 on the internal test set, and an average score of 0.814 on the complete external dataset across 49 classes. Conclusion The developed model achieves robust and generalizable segmentation of 49 anatomic structures on MRI imaging. A future direction is focused on the incorporation of additional anatomic regions and structures into the datasets and model.
• Abstract（参考訳）: 目的〕MRI画像における多系統・多系統の解剖構造の深層学習モデルを構築すること。 このふりかえり研究の資料と手法では,モデルの開発と評価のために2つのデータセットがキュレートされ,注釈が付された。 健康システム内の様々な臨床現場からの1022個のMRIシーケンスの内部データセットと、独立したイメージングセンターからの264個のMRIシーケンスの外部データセットを収集した。 どちらのデータセットでも、49の解剖学的構造が基底真理としてアノテートされた。 内部データセットはトレーニング、検証、テストセットに分割され、nnU-Netモデルのトレーニングと評価に使用された。 外部データセットを用いて、独立画像データに基づくすべてのクラスにおけるnnU-Netモデルの一般化性と性能を評価する。 diceスコアはモデルセグメンテーション性能を評価するために計算された。 その結果,内部テストセットでは平均0.801点,外部データセットでは平均0.814点が49クラスにわたって達成された。 結論 開発したモデルは, 49解剖学的構造のロバストで一般化されたセグメンテーションを実現する。 将来的な方向性は、データセットとモデルに追加の解剖学的領域と構造を組み込むことに集中する。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• 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)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
  複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。 MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。 このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
  論文  参考訳（メタデータ） (2024-05-09T17:33:09Z)
• One Model to Rule them All: Towards Universal Segmentation for Medical Images with Text Prompts [62.55349777609194]
  6502個の解剖学的用語を含む,ヒト解剖学上の最初のマルチモーダル知識ツリーを構築した。 トレーニングのために、最大かつ最も包括的なセグメンテーションデータセットを構築します。
  論文  参考訳（メタデータ） (2023-12-28T18:16:00Z)
• Lumbar spine segmentation in MR images: a dataset and a public benchmark [2.768537261519943]
  本稿では,多心性腰椎MRI(Multi-center lumbar spine magnetic resonance imaging)データセットについて述べる。 このデータセットには、腰痛の既往歴を持つ218人の患者から447個の矢状T1とT2MRIシリーズが含まれている。
  論文  参考訳（メタデータ） (2023-06-21T12:19:17Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。