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
- A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。
損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。
ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
論文 参考訳（メタデータ） (2024-09-24T20:22:59Z) - 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) - One Model to Rule them All: Towards Universal Segmentation for Medical Images with Text Prompts [62.55349777609194]
我々は、SATと呼ばれるテキストプロンプトによって駆動される放射線学的スキャンにおいて、任意のセグメンテーションを可能にするモデルを構築することを目指している。
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。
我々はSAT-Nano(110Mパラメータ)とSAT-Pro(447Mパラメータ)をトレーニングし、データセット/サブセット毎にトレーニングされた72の専門家nnU-Netに匹敵する性能を示した。
論文 参考訳（メタデータ） (2023-12-28T18:16:00Z) - 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) - Zero-shot performance of the Segment Anything Model (SAM) in 2D medical
imaging: A comprehensive evaluation and practical guidelines [0.13854111346209866]
Segment Anything Model (SAM)は、大規模なトレーニングデータセットを使用して、ほぼすべてのオブジェクトをセグメント化する。
この結果から,SAMのゼロショット性能は,現在の最先端技術に匹敵するものであることが判明した。
我々は、一貫して堅牢な結果をもたらしながら、最小限の相互作用を必要とする実践的ガイドラインを提案する。
論文 参考訳（メタデータ） (2023-04-28T22:07:24Z) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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。