論文の概要: AbdomenAtlas: A Large-Scale, Detailed-Annotated, & Multi-Center Dataset for Efficient Transfer Learning and Open Algorithmic Benchmarking

• arxiv url: http://arxiv.org/abs/2407.16697v1
• Date: Tue, 23 Jul 2024 17:59:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 16:16:18.556288
• Title: AbdomenAtlas: A Large-Scale, Detailed-Annotated, & Multi-Center Dataset for Efficient Transfer Learning and Open Algorithmic Benchmarking
• Title（参考訳）: AbdomenAtlas: 効率的なトランスファー学習とオープンアルゴリズムベンチマークのための大規模、詳細な注釈付き、マルチセンターデータセット
• Authors: Wenxuan Li, Chongyu Qu, Xiaoxi Chen, Pedro R. A. S. Bassi, Yijia Shi, Yuxiang Lai, Qian Yu, Huimin Xue, Yixiong Chen, Xiaorui Lin, Yutong Tang, Yining Cao, Haoqi Han, Zheyuan Zhang, Jiawei Liu, Tiezheng Zhang, Yujiu Ma, Jincheng Wang, Guang Zhang, Alan Yuille, Zongwei Zhou,
• Abstract要約: 腹部CTデータセット(AbdomenAtlasと略す)は, 多様な人口, 地理, 施設にまたがる112の病院の3次元CTボリューム20,460点が最も大きい。 AbamenAtlasは、AIアルゴリズムの助けを借りて10人の放射線学者のチームが注釈を付けた腹部領域の解剖学的構造の、673Kの高品質マスクを提供する。
• 参考スコア（独自算出の注目度）: 16.524596737411006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the largest abdominal CT dataset (termed AbdomenAtlas) of 20,460 three-dimensional CT volumes sourced from 112 hospitals across diverse populations, geographies, and facilities. AbdomenAtlas provides 673K high-quality masks of anatomical structures in the abdominal region annotated by a team of 10 radiologists with the help of AI algorithms. We start by having expert radiologists manually annotate 22 anatomical structures in 5,246 CT volumes. Following this, a semi-automatic annotation procedure is performed for the remaining CT volumes, where radiologists revise the annotations predicted by AI, and in turn, AI improves its predictions by learning from revised annotations. Such a large-scale, detailed-annotated, and multi-center dataset is needed for two reasons. Firstly, AbdomenAtlas provides important resources for AI development at scale, branded as large pre-trained models, which can alleviate the annotation workload of expert radiologists to transfer to broader clinical applications. Secondly, AbdomenAtlas establishes a large-scale benchmark for evaluating AI algorithms -- the more data we use to test the algorithms, the better we can guarantee reliable performance in complex clinical scenarios. An ISBI & MICCAI challenge named BodyMaps: Towards 3D Atlas of Human Body was launched using a subset of our AbdomenAtlas, aiming to stimulate AI innovation and to benchmark segmentation accuracy, inference efficiency, and domain generalizability. We hope our AbdomenAtlas can set the stage for larger-scale clinical trials and offer exceptional opportunities to practitioners in the medical imaging community. Codes, models, and datasets are available at https://www.zongweiz.com/dataset
• Abstract（参考訳）: 我々は, 多様な人口, 地理, 施設にまたがる112の病院から得られた3次元CTボリューム20,460の腹部CTデータセット(AbdomenAtlasと推定される)について紹介した。 AbdomenAtlasは、AIアルゴリズムの助けを借りて10人の放射線学者のチームが注釈を付けた腹部領域の解剖学的構造の、673Kの高品質マスクを提供する。 専門医に22の解剖学的構造を5,246のCTで手動で注釈させるところから始める。 その後、残りのCTボリュームに対して半自動アノテーションの手順が行われ、そこでは、放射線学者がAIによって予測されるアノテーションを改訂し、その結果、AIは修正されたアノテーションから学習することで予測を改善する。 このような大規模、詳細な注釈付き、マルチセンターのデータセットは2つの理由から必要である。 第一に、AbdomenAtlasは大規模なAI開発のための重要なリソースを提供し、大規模な事前訓練されたモデルとしてブランド化することで、専門家の放射線技師のアノテーションの負荷を軽減し、より広範な臨床応用に移行することができる。 次に、AbdomenAtlas氏は、AIアルゴリズムを評価するための大規模なベンチマークを確立している。 ISBI & MICCAIの課題であるBodyMaps: Towards 3D Atlas of Human Bodyは、私たちのAbdomenAtlasのサブセットを使って立ち上げられ、AIイノベーションを刺激し、セグメンテーションの精度、推論効率、ドメインの一般化性をベンチマークすることを目的としています。 当社のAbdomenAtlasが、より大規模な臨床試験のステージを築き、医療画像コミュニティの実践者には例外的な機会を与えられることを願っています。 コード、モデル、データセットはhttps://www.zongweiz.com/datasetで入手できる。

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)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• 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)
• A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty [8.604089365903029]
  全股関節解剖(THA)は整形外科において広く用いられている外科手術である。 ディープラーニング技術は有望だが、学習には高品質なラベル付きデータが必要である。 ディープラーニング指向のデータセットを生成するための効率的なデータアノテーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-06-07T16:28:53Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• WORD: Revisiting Organs Segmentation in the Whole Abdominal Region [14.752924082744814]
  全腹部臓器の分節は腹部病変の診断,放射線治療計画,経過観察において重要な役割を担っている。 深層学習に基づく医療画像のセグメンテーションは、手動のデライン化の労力を減らす可能性を示しているが、それでもトレーニングには大規模な微妙な注釈付きデータセットが必要である。 本研究では,アルゴリズム研究と臨床応用のための大規模なtextitWhole abdominal textitORgans textitDataset (textitWORD) を確立する。
  論文  参考訳（メタデータ） (2021-11-03T02:26:14Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。