論文の概要: MRAnnotator: multi-Anatomy and many-Sequence MRI segmentation of 44 structures

• arxiv url: http://arxiv.org/abs/2402.01031v2
• Date: Tue, 11 Feb 2025 16:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:03:35.695298
• Title: MRAnnotator: multi-Anatomy and many-Sequence MRI segmentation of 44 structures
• Title（参考訳）: MR Annotator:44構造のマルチ解剖学的および多系列MRIセグメント化
• Authors: Alexander Zhou, Zelong Liu, Andrew Tieu, Nikhil Patel, Sean Sun, Anthony Yang, Peter Choi, Hao-Chih Lee, Mickael Tordjman, Louisa Deyer, Yunhao Mei, Valentin Fauveau, George Soultanidis, Bachir Taouli, Mingqian Huang, Amish Doshi, Zahi A. Fayad, Timothy Deyer, Xueyan Mei,
• Abstract要約: 対象は,マウント・シナイ・ヘルス・システム (Mount Sinai Health System) の843例のMRI1,518例の内的データセットと,ベンチマーク対象263例のMRI397例の外部的データセットである。 内部データセットはnnU-NetモデルMRAnnotatorをトレーニングし、外部データセットに強い一般化性を示した。
• 参考スコア（独自算出の注目度）: 27.956507678338824
• License:
• Abstract: In this retrospective study, we annotated 44 structures on two datasets: an internal dataset of 1,518 MRI sequences from 843 patients at the Mount Sinai Health System, and an external dataset of 397 MRI sequences from 263 patients for benchmarking. The internal dataset trained the nnU-Net model MRAnnotator, which demonstrated strong generalizability on the external dataset. MRAnnotator outperformed existing models such as TotalSegmentator MRI and MRSegmentator on both datasets, achieving an overall average Dice score of 0.878 on the internal dataset and 0.875 on the external set. Model weights are available on GitHub, and the external test set can be shared upon request.
• Abstract（参考訳）: 本研究の振り返りとして,マウント・シナイ・ヘルス・システム (Mount Sinai Health System) の843例のMRI1,518例の内的データセットと,ベンチマークのために263例のMRI397例のMRI397例の外部的データセットの2つのデータセットについて,44例のアノテートを行った。 内部データセットはnnU-NetモデルMRAnnotatorをトレーニングし、外部データセットに強い一般化性を示した。 MRAnnotatorは、両方のデータセットでTotalSegmentator MRIやMSSegmentatorといった既存のモデルより優れており、内部データセットで全体の平均Diceスコアが0.878、外部データセットで0.875である。 モデルウェイトはGitHubで入手でき、外部テストセットはリクエストに応じて共有できる。

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。