論文の概要: AI generated annotations for Breast, Brain, Liver, Lungs and Prostate cancer collections in National Cancer Institute Imaging Data Commons
- arxiv url: http://arxiv.org/abs/2409.20342v1
- Date: Mon, 30 Sep 2024 14:43:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 07:56:35.967104
- Title: AI generated annotations for Breast, Brain, Liver, Lungs and Prostate cancer collections in National Cancer Institute Imaging Data Commons
- Title（参考訳）: 国立がん研究所イメージングデータコモンズにおける乳腺・脳・肝臓・肺・前立腺癌収集のためのAI生成アノテーション
- Authors: Gowtham Krishnan Murugesan, Diana McCrumb, Rahul Soni, Jithendra Kumar, Leonard Nuernberg, Linmin Pei, Ulrike Wagner, Sutton Granger, Andrey Y. Fedorov, Stephen Moore, Jeff Van Oss,
- Abstract要約: AI in Medical Imaging Projectは、国立がん研究所(NCI)イメージデータコモンズ(IDC)の強化を目的としている。
私たちは、11のIDCコレクションのための高品質なAIアノテーション付き画像データセットを作成しました。
- 参考スコア（独自算出の注目度）: 0.09462026329066188
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI in Medical Imaging project aims to enhance the National Cancer Institute's (NCI) Image Data Commons (IDC) by developing nnU-Net models and providing AI-assisted segmentations for cancer radiology images. We created high-quality, AI-annotated imaging datasets for 11 IDC collections. These datasets include images from various modalities, such as computed tomography (CT) and magnetic resonance imaging (MRI), covering the lungs, breast, brain, kidneys, prostate, and liver. The nnU-Net models were trained using open-source datasets. A portion of the AI-generated annotations was reviewed and corrected by radiologists. Both the AI and radiologist annotations were encoded in compliance with the the Digital Imaging and Communications in Medicine (DICOM) standard, ensuring seamless integration into the IDC collections. All models, images, and annotations are publicly accessible, facilitating further research and development in cancer imaging. This work supports the advancement of imaging tools and algorithms by providing comprehensive and accurate annotated datasets.
- Abstract（参考訳）: AI in Medical Imagingプロジェクトは、nU-Netモデルを開発し、がん放射線画像のためのAIアシストセグメンテーションを提供することで、国立がん研究所(NCI)イメージデータコモンズ(IDC)を強化することを目的としている。
私たちは、11のIDCコレクションのための高品質なAIアノテーション付き画像データセットを作成しました。
これらのデータセットには、CT(Computed tomography)やMRI(MRI)などの様々なモダリティの画像が含まれており、肺、乳房、脳、腎臓、前立腺、肝臓をカバーしている。
nnU-Netモデルは、オープンソースデータセットを使用してトレーニングされた。
AI生成アノテーションの一部は、放射線学者によってレビューされ、修正された。
AIとラジオロジストアノテーションはいずれも、DICOM(Digital Imaging and Communications in Medicine)標準に従ってエンコードされ、IDCコレクションへのシームレスな統合が保証された。
全てのモデル、画像、アノテーションは公開されており、がん画像のさらなる研究と開発を促進する。
この研究は、包括的な正確な注釈付きデータセットを提供することで、画像ツールとアルゴリズムの進歩を支援する。
関連論文リスト
- Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Enrichment of the NLST and NSCLC-Radiomics computed tomography
collections with AI-derived annotations [0.16863755729554886]
胸部CT画像, NSCLC-Radiomics, NSCLC-Radiomics と National Lung Screening Trial の2つのコレクションにAI生成アノテーションを導入する。
結果として得られたアノテーションはNCI Imaging Data Commons (IDC)で公開されており、DICOMフォーマットはデータを調和させ、FAIR原則を達成するために使用される。
この研究は、大規模でパブリックにキュレートされたデータセットの必要性を強化し、AIががんイメージングにどのように役立つかを実証する。
論文 参考訳（メタデータ） (2023-05-31T19:46:18Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - Current State of Community-Driven Radiological AI Deployment in Medical
Imaging [1.474525456020066]
本報告は, MonAIコンソーシアムの業界専門家と臨床医のグループによる, 週ごとの議論と問題解決経験について述べる。
実験室におけるAIモデル開発とその後の臨床展開の障壁を明らかにする。
臨床放射線学ワークフローにおける様々なAI統合ポイントについて論じる。
論文 参考訳（メタデータ） (2022-12-29T05:17:59Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Artificial Intelligence For Breast Cancer Detection: Trends & Directions [0.0]
本稿では,乳がん検診の自動化に研究者が用いた様々な画像モダリティを解析する。
この記事では、過去10年間に提案されたAIとコンピュータビジョンに基づく最先端の手法を要約し、乳癌を検出する。
論文 参考訳（メタデータ） (2021-10-03T07:22:21Z) - Meta-repository of screening mammography classifiers [35.24447276237306]
マンモグラムのスクリーニングのためのディープラーニングモデルを含むメタリポジトリをリリースする。
当社のメタリポジトリには5つの最先端モデルとオープンソース実装が含まれています。
私たちは5つの国際データセットでそれらのパフォーマンスを比較します。
論文 参考訳（メタデータ） (2021-08-10T17:39:26Z) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳（メタデータ） (2020-11-15T14:01:24Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。