論文の概要: The RSNA Abdominal Traumatic Injury CT (RATIC) Dataset

• arxiv url: http://arxiv.org/abs/2405.19595v1
• Date: Thu, 30 May 2024 01:18:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 18:36:41.496635
• Title: The RSNA Abdominal Traumatic Injury CT (RATIC) Dataset
• Title（参考訳）: RSNA腹部外傷性CT(RATIC)データセット
• Authors: Jeffrey D. Rudie, Hui-Ming Lin, Robyn L. Ball, Sabeena Jalal, Luciano M. Prevedello, Savvas Nicolaou, Brett S. Marinelli, Adam E. Flanders, Kirti Magudia, George Shih, Melissa A. Davis, John Mongan, Peter D. Chang, Ferco H. Berger, Sebastiaan Hermans, Meng Law, Tyler Richards, Jan-Peter Grunz, Andreas Steven Kunz, Shobhit Mathur, Sandro Galea-Soler, Andrew D. Chung, Saif Afat, Chin-Chi Kuo, Layal Aweidah, Ana Villanueva Campos, Arjuna Somasundaram, Felipe Antonio Sanchez Tijmes, Attaporn Jantarangkoon, Leonardo Kayat Bittencourt, Michael Brassil, Ayoub El Hajjami, Hakan Dogan, Muris Becircic, Agrahara G. Bharatkumar, Eduardo Moreno Júdice de Mattos Farina, Dataset Curator Group, Dataset Contributor Group, Dataset Annotator Group, Errol Colak,
• Abstract要約: RATIC(RSNA Abdominal Traumatic Injury CT)データセットは、外傷性外傷に注釈を付した成人腹部研究の公開コレクションとしては最大である。 このデータセットには、14か国23の機関から4,274の研究が含まれている。 データセットは、https://www.kaggle.com/competitions/rsna-2023-abdominal-trauma-detectionでKaggle経由で無償で利用できる。
• 参考スコア（独自算出の注目度）: 1.234134271688463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The RSNA Abdominal Traumatic Injury CT (RATIC) dataset is the largest publicly available collection of adult abdominal CT studies annotated for traumatic injuries. This dataset includes 4,274 studies from 23 institutions across 14 countries. The dataset is freely available for non-commercial use via Kaggle at https://www.kaggle.com/competitions/rsna-2023-abdominal-trauma-detection. Created for the RSNA 2023 Abdominal Trauma Detection competition, the dataset encourages the development of advanced machine learning models for detecting abdominal injuries on CT scans. The dataset encompasses detection and classification of traumatic injuries across multiple organs, including the liver, spleen, kidneys, bowel, and mesentery. Annotations were created by expert radiologists from the American Society of Emergency Radiology (ASER) and Society of Abdominal Radiology (SAR). The dataset is annotated at multiple levels, including the presence of injuries in three solid organs with injury grading, image-level annotations for active extravasations and bowel injury, and voxelwise segmentations of each of the potentially injured organs. With the release of this dataset, we hope to facilitate research and development in machine learning and abdominal trauma that can lead to improved patient care and outcomes.
• Abstract（参考訳）: RSNA腹部外傷性CT(RATIC)データセットは、外傷性外傷に注釈を付けた成人腹部CT研究の公開コレクションとしては最大である。 このデータセットには、14か国23の機関から4,274の研究が含まれている。 データセットは、https://www.kaggle.com/competitions/rsna-2023-abdominal-trauma-detectionでKaggle経由で無償で利用できる。 RSNA 2023腹部外傷検出コンペティションのために開発されたこのデータセットは、CTスキャンで腹部外傷を検出するための高度な機械学習モデルの開発を促進する。 このデータセットは、肝臓、脾臓、腎臓、腸、腸など、複数の臓器にわたる外傷性外傷の検出と分類を含んでいる。 アメリカ緊急放射線学会(ASER)と腹部放射線学会(SAR)の専門家によって注釈が作成された。 データセットには、損傷グレーディングを伴う3つの固形臓器の損傷の有無、アクティブな外転と腸の損傷に対する画像レベルのアノテーション、負傷する可能性のある各臓器のボクセルワイドセグメンテーションなど、さまざまなレベルで注釈が付けられている。 このデータセットのリリースにより、機械学習と腹部外傷の研究と開発が促進され、患者のケアと成果が向上することを期待します。

関連論文リスト

• Devil is in Details: Locality-Aware 3D Abdominal CT Volume Generation for Self-Supervised Organ Segmentation [5.395145012900144]
  Locality-Aware Diffusion (Lad) は, 3次元腹部CTボリューム生成に適した新しい方法である。 AbdomenCT-1KデータセットのFIDスコアは0.0034から0.0002に低下した。 これらの結果は, 医用画像解析における自己教師あり学習を促進するための合成データの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-09-30T14:35:53Z)
• ISLES 2024: The first longitudinal multimodal multi-center real-world dataset in (sub-)acute stroke [2.7919032539697444]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を負っている。 脳卒中画像から有意義で再現可能な脳機能のモデルを抽出できる機械学習アルゴリズムを開発する。 このデータセットは, 血管造影と灌流による急性CT像, 2～9日間の経過観察, 急性期, 慢性期の臨床データなど, 経時的脳梗塞の包括的データとして初めて提供された。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• Detection of Intracranial Hemorrhage for Trauma Patients [1.0074894923170512]
  本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。 我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
  論文  参考訳（メタデータ） (2024-08-20T12:03:59Z)
• Rethinking Abdominal Organ Segmentation (RAOS) in the clinical scenario: A robustness evaluation benchmark with challenging cases [18.908677670131276]
  RAOSデータセットは、17例(男性)または19例(男性)のラベル付き臓器を持つ413例のCT413例からなる。 1) 診断・放射線療法(第317巻), 2) 全臓器欠損のない部分切除(第22巻), 3) 全臓器欠失を伴う部分切除(第74巻)に分類した。 RAOSは臓器幻覚を含むモデルの堅牢性を評価するための潜在的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-06-19T16:23:42Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  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。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge [0.0]
  APISはNCCTとADCによる急性虚血性脳卒中患者の最初のペアデータセットである。 第20回IEEE International Symposium on Biomedical Imaging 2023で発表された。 すべてのチームが専門的なディープラーニングツールを使用しているにも関わらず、NCCTの虚血性脳卒中セグメンテーションタスクは依然として困難である。
  論文  参考訳（メタデータ） (2023-09-26T20:16:07Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。