論文の概要: A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation
- arxiv url: http://arxiv.org/abs/2409.16441v1
- Date: Tue, 24 Sep 2024 20:22:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 08:21:10.155902
- Title: A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation
- Title（参考訳）: ディープラーニングベンチマークを用いた新しいオープンソース超音波データセット
脊髄損傷の局在と解剖学的セグメンテーション
- Authors: Avisha Kumar, Kunal Kotkar, Kelly Jiang, Meghana Bhimreddy, Daniel
Davidar, Carly Weber-Levine, Siddharth Krishnan, Max J. Kerensky, Ruixing
Liang, Kelley Kempski Leadingham, Denis Routkevitch, Andrew M. Hersh,
Kimberly Ashayeri, Betty Tyler, Ian Suk, Jennifer Son, Nicholas Theodore,
Nitish Thakor, and Amir Manbachi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.02101998415327
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While deep learning has catalyzed breakthroughs across numerous domains, its
broader adoption in clinical settings is inhibited by the costly and
time-intensive nature of data acquisition and annotation. To further facilitate
medical machine learning, we present an ultrasound dataset of 10,223
Brightness-mode (B-mode) images consisting of sagittal slices of porcine spinal
cords (N=25) before and after a contusion injury. We additionally benchmark the
performance metrics of several state-of-the-art object detection algorithms to
localize the site of injury and semantic segmentation models to label the
anatomy for comparison and creation of task-specific architectures. Finally, we
evaluate the zero-shot generalization capabilities of the segmentation models
on human ultrasound spinal cord images to determine whether training on our
porcine dataset is sufficient for accurately interpreting human data. Our
results show that the YOLOv8 detection model outperforms all evaluated models
for injury localization, achieving a mean Average Precision (mAP50-95) score of
0.606. Segmentation metrics indicate that the DeepLabv3 segmentation model
achieves the highest accuracy on unseen porcine anatomy, with a Mean Dice score
of 0.587, while SAMed achieves the highest Mean Dice score generalizing to
human anatomy (0.445). To the best of our knowledge, this is the largest
annotated dataset of spinal cord ultrasound images made publicly available to
researchers and medical professionals, as well as the first public report of
object detection and segmentation architectures to assess anatomical markers in
the spinal cord for methodology development and clinical applications.
- Abstract（参考訳）: 深層学習は多くの領域でブレークスルーを引き起こしてきたが、クリニカルセッティングにおけるその広範な採用は、データ取得とアノテーションのコストと時間集約性によって阻害されている。
さらに医療機械学習を容易にするため,脳損傷前後のブタ脊髄の矢状切片(N=25)からなる10,223光度モード(Bモード)画像の超音波データセットを提案する。
さらに、いくつかの最先端オブジェクト検出アルゴリズムのパフォーマンス指標をベンチマークし、損傷部位とセマンティックセグメンテーションモデルの位置をローカライズし、タスク固有のアーキテクチャの比較と生成のための解剖学をラベル付けする。
最後に,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し,ブタのデータセットのトレーニングが人間のデータを正確に解釈するのに十分かどうかを判定する。
以上の結果から, YOLOv8検出モデルは, ケガ位置推定モデルにおいて, 平均精度(mAP50-95)が0。
セグメンテーション指標は、DeepLabv3セグメンテーションモデルが、人間の解剖学を一般化した平均Diceスコア(0.445)に対して、平均Diceスコアが0.587であるのに対して、平均Diceスコアが0.587であることを示す。
我々の知る限り、これは、研究者や医療専門家が公開している脊髄超音波画像の注釈付きデータセットとしては最大であり、また、脊髄の解剖学的マーカーを評価するためのオブジェクト検出とセグメンテーションアーキテクチャに関する最初の公開報告である。
関連論文リスト
- 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) - 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) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Synthetic Data for Robust Stroke Segmentation [0.0]
ディープラーニングに基づくニューロイメージングにおけるセマンティックセグメンテーションは、現在、高解像度スキャンと広範な注釈付きデータセットを必要とする。
そこで我々は,既存のSynthSegアプローチの能力を拡張した,病変分割作業のための新しい合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-02T13:42:29Z) - 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) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - 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) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - Progressive Adversarial Semantic Segmentation [11.323677925193438]
深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。
画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。
本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
論文 参考訳（メタデータ） (2020-05-08T22:48:00Z) - 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。