論文の概要: LesionLocator: Zero-Shot Universal Tumor Segmentation and Tracking in 3D Whole-Body Imaging
- arxiv url: http://arxiv.org/abs/2502.20985v1
- Date: Fri, 28 Feb 2025 11:58:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:43:39.287836
- Title: LesionLocator: Zero-Shot Universal Tumor Segmentation and Tracking in 3D Whole-Body Imaging
- Title（参考訳）: LesionLocator:Zero-Shot Universal tumor Segmentation and Tracking in 3D Whole-Body Imaging (特集 バイオサイバネティックスとバイオサイバネティックス)
- Authors: Maximilian Rokuss, Yannick Kirchhoff, Seval Akbal, Balint Kovacs, Saikat Roy, Constantin Ulrich, Tassilo Wald, Lukas T. Rotkopf, Heinz-Peter Schlemmer, Klaus Maier-Hein,
- Abstract要約: 3次元医用画像におけるゼロショット長手病変追跡とセグメンテーションのためのフレームワークであるLesionLocatorを提案する。
本モデルでは,23,262個の注釈付き医用スキャンの広範囲なデータセットと,各種病変の経時的データを活用する。
LesionLocatorは、病変のセグメンテーションにおいて既存のすべてのプロンプト可能なモデルを約10のダイスポイントで上回り、人間レベルのパフォーマンスに達する。
- 参考スコア（独自算出の注目度）: 0.2426178807507481
- License:
- Abstract: In this work, we present LesionLocator, a framework for zero-shot longitudinal lesion tracking and segmentation in 3D medical imaging, establishing the first end-to-end model capable of 4D tracking with dense spatial prompts. Our model leverages an extensive dataset of 23,262 annotated medical scans, as well as synthesized longitudinal data across diverse lesion types. The diversity and scale of our dataset significantly enhances model generalizability to real-world medical imaging challenges and addresses key limitations in longitudinal data availability. LesionLocator outperforms all existing promptable models in lesion segmentation by nearly 10 dice points, reaching human-level performance, and achieves state-of-the-art results in lesion tracking, with superior lesion retrieval and segmentation accuracy. LesionLocator not only sets a new benchmark in universal promptable lesion segmentation and automated longitudinal lesion tracking but also provides the first open-access solution of its kind, releasing our synthetic 4D dataset and model to the community, empowering future advancements in medical imaging. Code is available at: www.github.com/MIC-DKFZ/LesionLocator
- Abstract（参考訳）: 本研究では3次元医用画像におけるゼロショット長手病変追跡とセグメンテーションのためのフレームワークであるLesionLocatorについて述べる。
本モデルでは,23,262個の注釈付き医用スキャンの広範囲なデータセットと,各種病変の経時的データを活用する。
我々のデータセットの多様性とスケールは、現実の医療画像の課題に対するモデルの一般化性を著しく向上させ、長手データの可用性における重要な制限に対処する。
LesionLocatorは、病変のセグメンテーションにおいて、ほぼ10のダイスポイントで既存のすべてのプロンプト可能なモデルより優れ、ヒトレベルのパフォーマンスを達成し、より優れた病変検索とセグメンテーション精度で、病変追跡の最先端の結果を達成する。
LesionLocatorは、ユニバーサルプロンプト可能な病変セグメンテーションと自動長手病変追跡の新しいベンチマークを設定するだけでなく、その種の最初のオープンアクセスソリューションを提供し、我々の合成4Dデータセットとモデルをコミュニティにリリースし、将来的な医療画像の進歩を促進する。
コードは、www.github.com/MIC-DKFZ/LesionLocatorで入手できる。
関連論文リスト
- SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation [1.6365496769445946]
複数のデータセットやタスクを扱える新しいセグメンテーションモデルであるSegHeD+を紹介します。
分割モデルに経時的,解剖学的,体積的制約を組み込むことにより,MS病変に関するドメイン知識を統合する。
SegHeD+は5つのMSデータセットで評価され、すべての、新しい、消滅する病変のセグメンテーションにおいて優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-12-14T19:44:25Z) - UniCoN: Universal Conditional Networks for Multi-Age Embryonic Cartilage Segmentation with Sparsely Annotated Data [13.379161180001303]
骨軟骨異形成症は、新生児の2-3%に影響を及ぼし、骨と軟骨の障害の集団である。
この病気に関する現在の研究は、胚性マウスの3DマイクロCT画像において、発育する軟骨を正確にセグメント化することを含んでいる。
本研究では, 軟骨形状変化の正確な表現を可能にするために, 個別の年齢区分と連続的な画像作物位置の2つの新しいメカニズムを提案する。
論文 参考訳（メタデータ） (2024-10-16T21:06:55Z) - A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
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。
論文 参考訳（メタデータ） (2024-09-24T20:22:59Z) - Domain adaptation strategies for 3D reconstruction of the lumbar spine using real fluoroscopy data [9.21828361691977]
本研究は整形外科手術における手術ナビゲーション導入における重要な障害に対処するものである。
これは、少数の蛍光画像から脊椎の3次元解剖モデルを生成するためのアプローチを示す。
これまでの合成データに基づく研究の精度に匹敵する84%のF1スコアを達成しました。
論文 参考訳（メタデータ） (2024-01-29T10:22:45Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - Simulating Realistic MRI variations to Improve Deep Learning model and
visual explanations using GradCAM [0.0]
修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。
Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
論文 参考訳（メタデータ） (2021-11-01T11:14:23Z) - 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) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Anatomy-aware 3D Human Pose Estimation with Bone-based Pose
Decomposition [92.99291528676021]
3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。
私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。
我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
論文 参考訳（メタデータ） (2020-02-24T15:49:37Z)
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。