論文の概要: PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy
- arxiv url: http://arxiv.org/abs/2409.00045v1
- Date: Mon, 19 Aug 2024 05:36:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:31:02.412616
- Title: PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy
- Title（参考訳）: PolypDB: 大腸内視鏡におけるAIアルゴリズム開発のためのマルチセンターデータセット
- Authors: Debesh Jha, Nikhil Kumar Tomar, Vanshali Sharma, Quoc-Huy Trinh, Koushik Biswas, Hongyi Pan, Ritika K. Jha, Gorkem Durak, Alexander Hann, Jonas Varkey, Hang Viet Dao, Long Van Dao, Binh Phuc Nguyen, Khanh Cong Pham, Quang Trung Tran, Nikolaos Papachrysos, Brandon Rieders, Peter Thelin Schmidt, Enrik Geissler, Tyler Berzin, Pål Halvorsen, Michael A. Riegler, Thomas de Lange, Ulas Bagci,
- Abstract要約: 3934の静止ポリプ画像を含む大規模公開データセットであるPolypDBを紹介する。
このデータセットは10人の消化器科医によって開発され、検証されている。
8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
- 参考スコア（独自算出の注目度）: 31.54817948734052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colonoscopy is the primary method for examination, detection, and removal of polyps. Regular screening helps detect and prevent colorectal cancer at an early curable stage. However, challenges such as variation among the endoscopists' skills, bowel quality preparation, and complex nature of the large intestine which cause large number of polyp miss-rate. These missed polyps can develop into cancer later on, which underscores the importance of improving the detection methods. A computer-aided diagnosis system can support physicians by assisting in detecting overlooked polyps. However, one of the important challenges for developing novel deep learning models for automatic polyp detection and segmentation is the lack of publicly available, multi-center large and diverse datasets. To address this gap, we introduce PolypDB, a large scale publicly available dataset that contains 3934 still polyp images and their corresponding ground truth from real colonoscopy videos to design efficient polyp detection and segmentation architectures. The dataset has been developed and verified by a team of 10 gastroenterologists. PolypDB comprises of images from five modalities: Blue Light Imaging (BLI), Flexible Imaging Color Enhancement (FICE), Linked Color Imaging (LCI), Narrow Band Imaging (NBI), and White Light Imaging (WLI) and three medical centers from Norway, Sweden and Vietnam. Thus, we split the dataset based on modality and medical center for modality-wise and center-wise analysis. We provide a benchmark on each modality using eight popular segmentation methods and six standard benchmark polyp detection methods. Furthermore, we also provide benchmark on center-wise under federated learning settings. Our dataset is public and can be downloaded at \url{https://osf.io/pr7ms/}.
- Abstract（参考訳）: 大腸内視鏡はポリープの検査、検出、除去の第一の方法である。
定期スクリーニングは早期に大腸癌を検出し予防するのに役立つ。
しかし, 内視鏡医の技量, 腸の質, 大腸の複雑な性質などの課題が多量のポリプミスレートを引き起こしている。
これらの欠落したポリープは後にがんに発展し、検出方法を改善することの重要性を浮き彫りにする。
コンピュータ支援診断システムは、見過ごされたポリープの検出を補助することにより、医師を支援することができる。
しかし、自動ポリープ検出とセグメンテーションのための新しいディープラーニングモデルを開発する上で重要な課題の1つは、公開され、多中心で多様なデータセットがないことである。
このギャップに対処するため,3934個の静止ポリープ画像とそれに対応する接地真実を含む大規模公開データセットであるPolypDBを導入し,効率的なポリープ検出とセグメンテーションアーキテクチャを設計する。
このデータセットは10人の消化器科医によって開発され、検証されている。
PolypDBは、Blue Light Imaging (BLI)、Flexible Imaging Color Enhancement (FICE)、Linked Color Imaging (LCI)、Narrow Band Imaging (NBI)、White Light Imaging (WLI)とノルウェー、スウェーデン、ベトナムの3つの医療センターからなる。
そこで本研究では,モダリティとメディカル・センターに基づいて,モダリティとセンター・ワイド・アナリティクスのデータセットを分割した。
8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
さらに,フェデレートされた学習環境において,中心的な学習環境に関するベンチマークも提供する。
私たちのデータセットは公開されており、 \url{https://osf.io/pr7ms/}でダウンロードできます。
関連論文リスト
- Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。
我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
論文 参考訳（メタデータ） (2023-01-17T03:12:57Z) - Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。
従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。
この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
論文 参考訳（メタデータ） (2023-01-12T09:53:57Z) - PolypConnect: Image inpainting for generating realistic gastrointestinal
tract images with polyps [1.7915968197912802]
下部消化管(GI)におけるポリープの早期同定は,致死性大腸癌の予防につながる可能性がある。
ポリープを検出するCADシステムは、検出精度と効率を改善し、エンドスコピストと呼ばれるドメインの専門家の時間を節約することができる。
本稿では,非ポリプ画像からポリプ画像に変換することにより,トレーニング用データセットのサイズを拡大するPolypConnectパイプラインを提案する。
論文 参考訳（メタデータ） (2022-05-30T20:20:19Z) - Stepwise Feature Fusion: Local Guides Global [14.394421688712052]
本稿では,ピラミッドトランスフォーマーエンコーダを用いた医用画像セグメンテーションのためのState-Of-The-Artモデルを提案する。
提案するプログレッシブ・ローカリティ・デコーダをピラミッドトランスフォーマーのバックボーンに適応させて,局所的特徴と注意分散を強調する。
論文 参考訳（メタデータ） (2022-03-07T10:36:38Z) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳（メタデータ） (2021-10-17T09:31:20Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-05T09:31:46Z) - A multi-centre polyp detection and segmentation dataset for
generalisability assessment [1.5661270644639687]
このデータセットは、3762個のアノテートされたポリプラベルを持つ単一フレームとシーケンスデータの両方を含む。
本論文は,データ構築とアノテーション戦略,品質保証,技術検証に関する知見を提供する。
論文 参考訳（メタデータ） (2021-06-08T15:48:17Z) - AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
提案手法は既存手法と比較して最先端の精度を実現する。
論文 参考訳（メタデータ） (2021-05-02T06:36:36Z) - Colonoscopy Polyp Detection: Domain Adaptation From Medical Report
Images to Real-time Videos [76.37907640271806]
大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。
収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-12-31T10:33:09Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z)
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。