論文の概要: Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound: The TDSC-ABUS Challenge

• arxiv url: http://arxiv.org/abs/2501.15588v1
• Date: Sun, 26 Jan 2025 16:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:50.012314
• Title: Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound: The TDSC-ABUS Challenge
• Title（参考訳）: TDSC-ABUS チャレンジによる3次元乳房超音波の腫瘍検出, 分別, 分類
• Authors: Gongning Luo, Mingwang Xu, Hongyu Chen, Xinjie Liang, Xing Tao, Dong Ni, Hyunsu Jeong, Chulhong Kim, Raphael Stock, Michael Baumgartner, Yannick Kirchhoff, Maximilian Rokuss, Klaus Maier-Hein, Zhikai Yang, Tianyu Fan, Nicolas Boutry, Dmitry Tereshchenko, Arthur Moine, Maximilien Charmetant, Jan Sauer, Hao Du, Xiang-Hui Bai, Vipul Pai Raikar, Ricardo Montoya-del-Angel, Robert Marti, Miguel Luna, Dongmin Lee, Abdul Qayyum, Moona Mazher, Qihui Guo, Changyan Wang, Navchetan Awasthi, Qiaochu Zhao, Wei Wang, Kuanquan Wang, Qiucheng Wang, Suyu Dong,
• Abstract要約: 腫瘍の検出、セグメンテーション、分類は、医療画像の解析において重要な要素である。 TDSC-ABUSチャレンジは、アルゴリズム研究における将来の発展をベンチマークし、刺激するオープンアクセスプラットフォームである。 本稿では,ABUS画像検査における課題から,トップパフォーマンスのアルゴリズムを要約し,批判的分析を行う。
• 参考スコア（独自算出の注目度）: 10.406458814210652
• License:
• Abstract: Breast cancer is one of the most common causes of death among women worldwide. Early detection helps in reducing the number of deaths. Automated 3D Breast Ultrasound (ABUS) is a newer approach for breast screening, which has many advantages over handheld mammography such as safety, speed, and higher detection rate of breast cancer. Tumor detection, segmentation, and classification are key components in the analysis of medical images, especially challenging in the context of 3D ABUS due to the significant variability in tumor size and shape, unclear tumor boundaries, and a low signal-to-noise ratio. The lack of publicly accessible, well-labeled ABUS datasets further hinders the advancement of systems for breast tumor analysis. Addressing this gap, we have organized the inaugural Tumor Detection, Segmentation, and Classification Challenge on Automated 3D Breast Ultrasound 2023 (TDSC-ABUS2023). This initiative aims to spearhead research in this field and create a definitive benchmark for tasks associated with 3D ABUS image analysis. In this paper, we summarize the top-performing algorithms from the challenge and provide critical analysis for ABUS image examination. We offer the TDSC-ABUS challenge as an open-access platform at https://tdsc-abus2023.grand-challenge.org/ to benchmark and inspire future developments in algorithmic research.
• Abstract（参考訳）: 乳がんは世界でも最も多い死因の1つである。 早期発見は死亡数を減らすのに役立つ。 3D Breast Ultrasound (ABUS) は、乳がん検診の新しいアプローチであり、乳がんの安全性、速さ、検出率の向上など、ハンドヘルドマンモグラフィーよりも多くの利点がある。 腫瘍の検出,セグメンテーション,分類は医用画像の解析において重要な要素であり,特に3D ABUSの文脈では腫瘍の大きさと形状の有意な変動,腫瘍の境界の曖昧さ,信号対雑音比の低さにより困難である。 ABUSデータセットが公開されていないことは、乳がん分析のためのシステムの進歩を妨げている。 このギャップに対処するため,我々はTDSC-ABUS2023(Automated 3D Breast Ultrasound 2023)における第1回腫瘍検出・セグメンテーション・分類チャレンジを組織した。 このイニシアチブは、この分野の研究を先導し、3次元ABUS画像解析に関連するタスクに関する決定的なベンチマークを作成することを目的としている。 本稿では,この課題からトップパフォーマンスのアルゴリズムを要約し,ABUS画像検査の批判的分析を行う。 我々はTDSC-ABUSチャレンジをhttps://tdsc-abus2023.grand-challenge.org/でオープンアクセスプラットフォームとして提供し、アルゴリズム研究における将来の発展をベンチマークし、刺激します。

関連論文リスト

• Advanced Tumor Segmentation in Medical Imaging: An Ensemble Approach for BraTS 2023 Adult Glioma and Pediatric Tumor Tasks [0.8184931154670512]
  本研究はBraTS 2023の課題である成人グリオーマと小児腫瘍の2つの異なる課題の文脈における腫瘍の分節化方法について概説する。 本手法では,2つのエンコーダデコーダベースのCNNモデル,すなわちSegResNetとMedNeXtを用いて腫瘍の3つの領域を分割する。 提案手法は,BraTS 2023アダルトグリオーマチャレンジでは平均0.8313点,Dice 36.38点,HD95点の3位となる。
  論文  参考訳（メタデータ） (2024-03-14T10:37:41Z)
• BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images [2.752682633344525]
  超音波画像における乳腺腫瘍のインタラクティブセグメンテーションのためのセグメンテーションモデル(SAM)について検討した。 ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。 本研究は悪性腫瘍と良性乳癌の分節化におけるモデルの性能の差について検討した。
  論文  参考訳（メタデータ） (2023-05-21T12:40:25Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features [0.0]
  早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。 本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。 提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-06-26T07:54:09Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• BRACS: A Dataset for BReAst Carcinoma Subtyping in H&E Histology Images [4.974822167947921]
  BReAst Carcinoma Subtyping dataset, a large cohort of annotated Hematoxylin & Eosin (H&E)-stained image to help the characterized of breast lesions。 BRACSには、WSIsから抽出された547個の全スライド画像(WSI)と4539個の関心領域(ROI)が含まれている。
  論文  参考訳（メタデータ） (2021-11-08T15:04:16Z)
• Deep Integrated Pipeline of Segmentation Leading to Classification for Automated Detection of Breast Cancer from Breast Ultrasound Images [0.0]
  提案フレームワークは,超音波画像の前処理をSLIC(Simple Linear Iterative Clustering)と統合し,乳房超音波画像の複雑なアーティファクトに対処する。 提案した自動パイプラインは、乳がんをより正確かつタイムリーに診断する医療従事者を支援するために効果的に実装することができる。
  論文  参考訳（メタデータ） (2021-10-26T20:42:39Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。