論文の概要: HQColon: A Hybrid Interactive Machine Learning Pipeline for High Quality Colon Labeling and Segmentation

• arxiv url: http://arxiv.org/abs/2502.21183v1
• Date: Fri, 28 Feb 2025 15:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:43:12.897202
• Title: HQColon: A Hybrid Interactive Machine Learning Pipeline for High Quality Colon Labeling and Segmentation
• Title（参考訳）: HQColon: 高品質なコロニーラベリングとセグメンテーションのためのハイブリッドインタラクティブ機械学習パイプライン
• Authors: Martina Finocchiaro, Ronja Stern, Abraham George Smith, Jens Petersen, Kenny Erleben, Melanie Ganz,
• Abstract要約: 高解像度大腸セグメンテーションは、デジタル双生児やパーソナライズド医療などの臨床および研究用途に不可欠である。 そこで本研究では,完全自動高分解能大腸分割法を提案する。
• 参考スコア（独自算出の注目度）: 3.3390931695784998
• License:
• Abstract: High-resolution colon segmentation is crucial for clinical and research applications, such as digital twins and personalized medicine. However, the leading open-source abdominal segmentation tool, TotalSegmentator, struggles with accuracy for the colon, which has a complex and variable shape, requiring time-intensive labeling. Here, we present the first fully automatic high-resolution colon segmentation method. To develop it, we first created a high resolution colon dataset using a pipeline that combines region growing with interactive machine learning to efficiently and accurately label the colon on CT colonography (CTC) images. Based on the generated dataset consisting of 435 labeled CTC images we trained an nnU-Net model for fully automatic colon segmentation. Our fully automatic model achieved an average symmetric surface distance of 0.2 mm (vs. 4.0 mm from TotalSegmentator) and a 95th percentile Hausdorff distance of 1.0 mm (vs. 18 mm from TotalSegmentator). Our segmentation accuracy substantially surpasses TotalSegmentator. We share our trained model and pipeline code, providing the first and only open-source tool for high-resolution colon segmentation. Additionally, we created a large-scale dataset of publicly available high-resolution colon labels.
• Abstract（参考訳）: 高解像度大腸セグメンテーションは、デジタル双生児やパーソナライズド医療などの臨床および研究用途に不可欠である。 しかし, オープンソースの腹部切開ツールであるTotalSegmentatorは, 複雑で可変な形状の結腸に対して, 時間的ラベリングを必要とする精度に苦慮している。 そこで本研究では,完全自動高分解能大腸分割法を提案する。 そこで我々はまず,地域の成長と対話型機械学習を組み合わせた高解像度の大腸データセットを作成し,CTC(CT colonography)画像に大腸を効率よく正確にラベル付けした。 435個のラベル付きCTC画像から生成されたデータセットに基づいて,完全自動大腸分節のためのnnU-Netモデルを訓練した。 完全自動モデルでは平均対称面距離が0.2mm(TotalSegmentatorから4.0mm)、95%のHausdorff距離が1.0mm(TotalSegmentatorから18mm)であった。 我々のセグメンテーション精度はTotalSegmentatorをはるかに上回っている。 トレーニング済みのモデルとパイプラインのコードを共有し、高解像度の結腸セグメンテーションのための、初めてかつ唯一のオープンソースツールを提供します。 さらに、公開可能な高解像度コロンラベルの大規模データセットを作成しました。

関連論文リスト

• GCtx-UNet: Efficient Network for Medical Image Segmentation [0.2353157426758003]
  GCtx-UNetは軽量なセグメンテーションアーキテクチャで、最先端のアプローチよりも正確さでグローバルおよびローカルの画像特徴をキャプチャできる。 GCtx-UNetは、Synapseの多臓器腹部CTデータセット、ACDCの心臓MRIデータセット、およびいくつかのポリープセグメンテーションデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-09T19:17:14Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• FCN-Transformer Feature Fusion for Polyp Segmentation [12.62213319797323]
  大腸内視鏡は大腸癌の早期発見のための金標準法として広く認められている。 大腸内視鏡画像におけるポリープのマニュアルセグメンテーションは時間を要する。 ポリプセグメンテーションの自動化におけるディープラーニングの利用が重要になっている。
  論文  参考訳（メタデータ） (2022-08-17T15:31:06Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• ColonFormer: An Efficient Transformer based Method for Colon Polyp Segmentation [1.181206257787103]
  ColonFormer はエンコーダとデコーダのアーキテクチャで、長距離セマンティック情報をモデル化できる。 ColonFormerは、すべてのベンチマークデータセットで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-05-17T16:34:04Z)
• Spark in the Dark: Evaluating Encoder-Decoder Pairs for COVID-19 CT's Semantic Segmentation [0.0]
  5つのデータセットで120のアーキテクチャが評価されたエンコーダとデコーダの広範なベンチマークを提案する。 これは、Covid-19 CTセグメンテーションの分野で提案されているエンコーダ、デコーダ、データセットの数で最大の評価である。
  論文  参考訳（メタデータ） (2021-09-30T02:54:24Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
  大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。 Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。 3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。 私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
  論文  参考訳（メタデータ） (2021-07-01T08:15:00Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。