論文の概要: Mask the Unknown: Assessing Different Strategies to Handle Weak Annotations in the MICCAI2023 Mediastinal Lymph Node Quantification Challenge
- arxiv url: http://arxiv.org/abs/2406.14365v1
- Date: Thu, 20 Jun 2024 14:38:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 13:12:50.680312
- Title: Mask the Unknown: Assessing Different Strategies to Handle Weak Annotations in the MICCAI2023 Mediastinal Lymph Node Quantification Challenge
- Title（参考訳）: Mask the Unknown: Assesing different Strategies to Handle Weak Annotation in the MICCAI2023 Mediastinal Lymph Node Quantification Challenge
- Authors: Stefan M. Fischer, Johannes Kiechle, Daniel M. Lang, Jan C. Peeken, Julia A. Schnabel,
- Abstract要約: MICCAI 2023 Lymph Node Quantification Challengeは、縦隔の病理リンパ節分節に関する最初の公開データセットを発表した。
リンパ節アノテーションは高価であるため、この課題は、トレーニングセット内のすべてのリンパ節のサブセットだけが注釈付けされている弱い教師付き学習タスクとして形成された。
課題として,ノイズラベルトレーニングやラベルなしデータの損失マスキング,TotalSegmentatorツールボックスを擬似ラベリングの形式として組み込んだアプローチなど,弱教師付きデータのトレーニング方法が検討された。
提案したモデルではDiceスコアが0.628、平均対称表面距離が0.628に達した。
- 参考スコア（独自算出の注目度）: 2.1994532511228773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathological lymph node delineation is crucial in cancer diagnosis, progression assessment, and treatment planning. The MICCAI 2023 Lymph Node Quantification Challenge published the first public dataset for pathological lymph node segmentation in the mediastinum. As lymph node annotations are expensive, the challenge was formed as a weakly supervised learning task, where only a subset of all lymph nodes in the training set have been annotated. For the challenge submission, multiple methods for training on these weakly supervised data were explored, including noisy label training, loss masking of unlabeled data, and an approach that integrated the TotalSegmentator toolbox as a form of pseudo labeling in order to reduce the number of unknown voxels. Furthermore, multiple public TCIA datasets were incorporated into the training to improve the performance of the deep learning model. Our submitted model achieved a Dice score of 0.628 and an average symmetric surface distance of 5.8~mm on the challenge test set. With our submitted model, we accomplished third rank in the MICCAI2023 LNQ challenge. A finding of our analysis was that the integration of all visible, including non-pathological, lymph nodes improved the overall segmentation performance on pathological lymph nodes of the test set. Furthermore, segmentation models trained only on clinically enlarged lymph nodes, as given in the challenge scenario, could not generalize to smaller pathological lymph nodes. The code and model for the challenge submission are available at \url{https://gitlab.lrz.de/compai/MediastinalLymphNodeSegmentation}.
- Abstract（参考訳）: 病理リンパ節郭清は癌診断,進行性評価,治療計画に重要である。
MICCAI 2023 Lymph Node Quantification Challengeは、縦隔の病理リンパ節分節に関する最初の公開データセットを発表した。
リンパ節アノテーションは高価であるため、この課題は、トレーニングセット内のすべてのリンパ節のサブセットだけが注釈付けされている弱い教師付き学習タスクとして形成された。
課題として,ノイズラベルトレーニング,ラベルなしデータの損失マスキング,未知のボクセル数を減らすためにTotalSegmentatorツールボックスを擬似ラベリングの形式に統合するアプローチなど,これらの弱教師付きデータのトレーニング方法が検討された。
さらに、ディープラーニングモデルの性能向上のために、複数の公開TCIAデータセットをトレーニングに組み込んだ。
提案したモデルでは,Diceスコアが0.628,平均対称表面距離が5.8～mmであった。
提案したモデルにより,MICCAI2023 LNQチャレンジで3位となった。
病理組織学的リンパ節を含むすべての可視性リンパ節の統合は,検査セットの病理組織学的リンパ節の全体的なセグメンテーション性能を改善した。
さらに, 臨床に拡大したリンパ節のみを訓練したセグメンテーションモデルでは, より小さな病理リンパ節に一般化できなかった。
チャレンジ提出のコードとモデルは、 \url{https://gitlab.lrz.de/compai/MediastinalLymphNodeSegmentation}で公開されている。
関連論文リスト
- SDF-Net: A Hybrid Detection Network for Mediastinal Lymph Node Detection on Contrast CT Images [38.69240497671607]
リンパ節を効果的に検出するSwing-Det Fusion Network (SDF-Net)を提案する。
SDF-Netはセグメンテーションと検出の両方の機能を統合し、さまざまな形状と大きさのリンパ節の検出能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T08:27:44Z) - Weakly Supervised Lymph Nodes Segmentation Based on Partial Instance Annotations with Pre-trained Dual-branch Network and Pseudo Label Learning [6.722923391378295]
そこで本研究では, 動的混合擬似ラベル(DBDMP)を用いたプレトレーニングDual-Branchネットワークを提案し, リンパ節セグメンテーションのための部分的インスタンスアノテーションから学習する。
本手法は,Dice similarity Coefficient (DSC) を11.04%から54.10%に改善し,平均対称表面距離 (ASSD) を20.83 $mm$から8.72 $mm$に低減する。
論文 参考訳（メタデータ） (2024-08-18T08:54:53Z) - LNQ Challenge 2023: Learning Mediastinal Lymph Node Segmentation with a Probabilistic Lymph Node Atlas [0.010416625072338245]
リンパ節転移の評価は、正確ながん転移を達成する上で重要な役割を担っている。
リンパ節検出は、境界が不明確であり、様々な大きさと形態的特徴があるため、課題となる。
LNQ 2023 MICCAIチャレンジの一環として,課題に対処するためのツールとして解剖学的先行性(anatomical priors)を提案する。
論文 参考訳（メタデータ） (2024-06-06T11:57:25Z) - Meply: A Large-scale Dataset and Baseline Evaluations for Metastatic Perirectal Lymph Node Detection and Segmentation [10.250943622693429]
今回,Meply という大規模な直腸転移性リンパ節CT画像データセットを初めて紹介した。
本稿では,新しいリンパ節分節モデルであるCoSAMを紹介する。
CoSAMは、直腸癌における転移性リンパ節の分節を誘導する配列に基づく検出を利用する。
論文 参考訳（メタデータ） (2024-04-13T07:30:16Z) - Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-03-14T12:05:25Z) - 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) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Mediastinal lymph nodes segmentation using 3D convolutional neural
network ensembles and anatomical priors guiding [0.0]
拡大および潜在的悪性リンパ節の存在を評価し、疾患の進行を適切に推定し、最良の治療戦略を選択する必要があります。
3D畳み込みニューラルネットワークの使用について,スラブ方式や全ボリュームのダウンサンプリングを利用する方法を検討した。
短軸直径$geq10$ mmの1178リンパ節では、私たちの最高のパフォーマンスアプローチは92%の患者ワイズリコール、5の患者ごとの偽陽性比と80.5%の分割重複に達しました。
論文 参考訳（メタデータ） (2021-02-11T14:51:34Z)
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。