論文の概要: Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge

• arxiv url: http://arxiv.org/abs/2402.09372v1
• Date: Wed, 14 Feb 2024 18:18:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 14:11:14.884115
• Title: Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge
• Title（参考訳）: RibFrac チャレンジにおける CT からの深部断裂の分離と分類
• Authors: Jiancheng Yang, Rui Shi, Liang Jin, Xiaoyang Huang, Kaiming Kuang, Donglai Wei, Shixuan Gu, Jianying Liu, Pengfei Liu, Zhizhong Chai, Yongjie Xiao, Hao Chen, Liming Xu, Bang Du, Xiangyi Yan, Hao Tang, Adam Alessio, Gregory Holste, Jiapeng Zhang, Xiaoming Wang, Jianye He, Lixuan Che, Hanspeter Pfister, Ming Li, Bingbing Ni
• Abstract要約: RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
• 参考スコア（独自算出の注目度）: 66.86170104167608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rib fractures are a common and potentially severe injury that can be challenging and labor-intensive to detect in CT scans. While there have been efforts to address this field, the lack of large-scale annotated datasets and evaluation benchmarks has hindered the development and validation of deep learning algorithms. To address this issue, the RibFrac Challenge was introduced, providing a benchmark dataset of over 5,000 rib fractures from 660 CT scans, with voxel-level instance mask annotations and diagnosis labels for four clinical categories (buckle, nondisplaced, displaced, or segmental). The challenge includes two tracks: a detection (instance segmentation) track evaluated by an FROC-style metric and a classification track evaluated by an F1-style metric. During the MICCAI 2020 challenge period, 243 results were evaluated, and seven teams were invited to participate in the challenge summary. The analysis revealed that several top rib fracture detection solutions achieved performance comparable or even better than human experts. Nevertheless, the current rib fracture classification solutions are hardly clinically applicable, which can be an interesting area in the future. As an active benchmark and research resource, the data and online evaluation of the RibFrac Challenge are available at the challenge website. As an independent contribution, we have also extended our previous internal baseline by incorporating recent advancements in large-scale pretrained networks and point-based rib segmentation techniques. The resulting FracNet+ demonstrates competitive performance in rib fracture detection, which lays a foundation for further research and development in AI-assisted rib fracture detection and diagnosis.
• Abstract（参考訳）: リブ骨折は一般的な重傷であり、CTスキャンで診断するのに困難で労力がかかる可能性がある。 この分野への取り組みはあったが、大規模な注釈付きデータセットと評価ベンチマークの欠如は、ディープラーニングアルゴリズムの開発と検証を妨げている。 この問題に対処するために、voxelレベルのインスタンスマスクアノテーションと4つの臨床カテゴリ(buckle、nondisplaced、displaced、segmental)のための診断ラベルを備えた、660のctスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する、ribfrac challengeが導入された。 この課題には、FROC方式で評価された検出(インスタンスセグメンテーション)トラックとF1方式で評価された分類トラックの2つのトラックが含まれる。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。 それにもかかわらず、現在のリブ骨折分類法は臨床応用がほとんどなく、将来的には興味深い分野となる可能性がある。 アクティブなベンチマークと調査リソースとして、RibFrac Challengeのデータとオンライン評価がチャレンジウェブサイトで公開されている。 独立した貢献として,大規模事前学習ネットワークやポイントベースリブセグメンテーション手法の最近の進歩を取り入れ,これまでの内部ベースラインを拡張した。 結果として得られたFracNet+は、リブ骨折検出における競合性能を示し、AI支援リブ骨折の検出と診断のさらなる研究と開発の基礎となる。

関連論文リスト

• Leveraging Auxiliary Classification for Rib Fracture Segmentation [5.163088719949993]
  本研究は, 骨盤骨折セグメント化の精度を高めるために, 補助的分類タスクを組み込んだ高度深層学習モデルを提案する。 補助的分類課題は, 骨折したリブと負の領域を区別し, 非破壊的なリブと周囲の組織を包含する上で重要である。 RibFracデータセットの実験結果はセグメンテーション性能が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2024-11-14T08:40:08Z)
• An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
  頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。 疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-05-03T09:02:17Z)
• 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)
• Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
  本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。 我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。 私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
  論文  参考訳（メタデータ） (2023-08-17T08:25:55Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Validation and Optimization of Multi-Organ Segmentation on Clinical Imaging Archives [7.036733782879497]
  2015年のMICCAIチャレンジは、多臓器性腹部CTセグメンテーションの大幅な革新を引き起こした。 近年のディープメソッドの革新は、臨床翻訳が魅力的であるレベルにパフォーマンスを誘導している。 オープンデータセットのクロスバリデーションは間接的な知識汚染のリスクを示し、円形の推論をもたらす可能性がある。
  論文  参考訳（メタデータ） (2020-02-10T21:49:42Z)
• 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。