論文の概要: MiceBoneChallenge: Micro-CT public dataset and six solutions for automatic growth plate detection in micro-CT mice bone scans

• arxiv url: http://arxiv.org/abs/2411.17260v1
• Date: Tue, 26 Nov 2024 09:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:33:28.374133
• Title: MiceBoneChallenge: Micro-CT public dataset and six solutions for automatic growth plate detection in micro-CT mice bone scans
• Title（参考訳）: MiceBoneChallenge:マイクロCT公開データセットと6つの方法による微小CTマウス骨スキャンにおける自動成長プレート検出
• Authors: Nikolay Burlutskiy, Marija Kekic, Jordi de la Torre, Philipp Plewa, Mehdi Boroumand, Julia Jurkowska, Borjan Venovski, Maria Chiara Biagi, Yeman Brhane Hagos, Roksana Malinowska-Traczyk, Yibo Wang, Jacek Zalewski, Paula Sawczuk, Karlo Pintarić, Fariba Yousefi, Leif Hultin,
• Abstract要約: 高品質な3D mu$CT 骨スキャンデータセットを8,399ドルマウスから作成し,注釈を付した。 この挑戦は、世界中から80ドル以上のAI科学者を惹きつけ、23ドルのチームを結成した。 成長板面の位置を正確に識別できるコンピュータビジョンソリューションが6つ開発された。
• 参考スコア（独自算出の注目度）: 8.749055821084605
• License:
• Abstract: Detecting and quantifying bone changes in micro-CT scans of rodents is a common task in preclinical drug development studies. However, this task is manual, time-consuming and subject to inter- and intra-observer variability. In 2024, Anonymous Company organized an internal challenge to develop models for automatic bone quantification. We prepared and annotated a high-quality dataset of 3D $\mu$CT bone scans from $83$ mice. The challenge attracted over $80$ AI scientists from around the globe who formed $23$ teams. The participants were tasked with developing a solution to identify the plane where the bone growth happens, which is essential for fully automatic segmentation of trabecular bone. As a result, six computer vision solutions were developed that can accurately identify the location of the growth plate plane. The solutions achieved the mean absolute error of $1.91\pm0.87$ planes from the ground truth on the test set, an accuracy level acceptable for practical use by a radiologist. The annotated 3D scans dataset along with the six solutions and source code, is being made public, providing researchers with opportunities to develop and benchmark their own approaches. The code, trained models, and the data will be shared.
• Abstract（参考訳）: げっ歯類の微小CTスキャンにおける骨変化の検出と定量化は、前臨床薬開発研究において一般的な課題である。 しかしながら、このタスクは手動で、時間がかかり、サーバ間およびサーバ内変数の対象となる。 2024年、アノニマス社は骨の自動定量化のモデルを開発するために内部的な挑戦を組織した。 高品質な3D$\mu$CT骨スキャンデータセットを8,399ドルマウスから作成し,注釈を付した。 この挑戦は、世界中から80ドル以上のAI科学者を惹きつけ、23ドルのチームを結成した。 被験者は、骨成長が起こる面を特定するためのソリューションを開発することを任務とされ、それは骨の完全な自動分割に必須である。 その結果、成長板面の位置を正確に識別できる6つのコンピュータビジョンソリューションが開発された。 この解は、テストセット上の地上の真実から1.91\pm0.87$の平均絶対誤差を達成した。 注釈付き3Dスキャンデータセットと6つのソリューションとソースコードが公開されており、研究者が独自のアプローチを開発し、ベンチマークする機会を提供している。 コード、トレーニングされたモデル、データは共有されます。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
  2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。 我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。 私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
  論文  参考訳（メタデータ） (2024-07-02T12:58:35Z)
• 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge [18.46601146994235]
  3DTeethSeg'22チャレンジは、2022年のMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で実施された。 900人の患者から1800件のスキャンを行ったデータセットを作成し, それぞれの歯にヒトと機械のハイブリッドアルゴリズムを用いて個別にアノテートした。 本研究では,3DTeethSeg'22チャレンジの評価結果について述べる。
  論文  参考訳（メタデータ） (2023-05-29T17:49:58Z)
• Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound Imaging [61.60067283680348]
  新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。 本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。 本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
  論文  参考訳（メタデータ） (2022-12-15T14:34:12Z)
• Exploring Advances in Transformers and CNN for Skin Lesion Diagnosis on Small Datasets [3.5665681694253903]
  皮膚がんは世界で最も一般的ながんの1つである。 近年のコンピュータビジョンの進歩は、多くのタスク、特にトランスフォーマーベースのネットワークにおいて最先端の結果を達成した。
  論文  参考訳（メタデータ） (2022-05-30T21:41:32Z)
• Automatic Segmentation of Aircraft Dents in Point Clouds [0.0]
  本報告では, 自動歯列検査に向けた2つの展開について報告する。 1つ目は、完全な畳み込みニューラルネットワークをトレーニングするために、デント面の合成データセットを生成する方法である。 2つ目は、3Dポイントのクラウドを2.5Dに変換する戦略だ。
  論文  参考訳（メタデータ） (2022-05-03T16:48:31Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Surrogate-free machine learning-based organ dose reconstruction for pediatric abdominal radiotherapy [0.19359975080269876]
  最先端の手法は3Dサロゲート解剖学を用いてこれを達成している。 機械学習(ML)に基づくサロゲートフリー線量再構成手法の提案と検証 新たなMLベースの臓器ドレナージ法は,サロゲートのセットアップがもはや不要であるため,精度だけでなく効率も向上する。
  論文  参考訳（メタデータ） (2020-02-17T04:19:01Z)

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。