論文の概要: UKBOB: One Billion MRI Labeled Masks for Generalizable 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2504.06908v1
• Date: Wed, 09 Apr 2025 14:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:07:06.792943
• Title: UKBOB: One Billion MRI Labeled Masks for Generalizable 3D Medical Image Segmentation
• Title（参考訳）: UKBOB、MRIのマスク10億枚を公開
• Authors: Emmanuelle Bourigault, Amir Jamaludin, Abdullah Hamdi,
• Abstract要約: 医用画像の最大の課題は、プライバシーの懸念、ロジスティクス、高ラベリングコストによる大規模なラベル付きデータ収集である。 本報告では,UKBOB (British Biobank Organs and Bones) について述べる。 我々は,自動ラベル付け,臓器特異的フィルタを用いた自動ラベルクリーニングパイプラインの導入,腹部11クラスの300MRIのサブセットを手動でアノテートして,その品質を検証した。
• 参考スコア（独自算出の注目度）: 6.046082223332061
• License:
• Abstract: In medical imaging, the primary challenge is collecting large-scale labeled data due to privacy concerns, logistics, and high labeling costs. In this work, we present the UK Biobank Organs and Bones (UKBOB), the largest labeled dataset of body organs, comprising 51,761 MRI 3D samples (equivalent to 17.9 million 2D images) and more than 1.37 billion 2D segmentation masks of 72 organs, all based on the UK Biobank MRI dataset. We utilize automatic labeling, introduce an automated label cleaning pipeline with organ-specific filters, and manually annotate a subset of 300 MRIs with 11 abdominal classes to validate the quality (referred to as UKBOB-manual). This approach allows for scaling up the dataset collection while maintaining confidence in the labels. We further confirm the validity of the labels by demonstrating zero-shot generalization of trained models on the filtered UKBOB to other small labeled datasets from similar domains (e.g., abdominal MRI). To further mitigate the effect of noisy labels, we propose a novel method called Entropy Test-time Adaptation (ETTA) to refine the segmentation output. We use UKBOB to train a foundation model, Swin-BOB, for 3D medical image segmentation based on the Swin-UNetr architecture, achieving state-of-the-art results in several benchmarks in 3D medical imaging, including the BRATS brain MRI tumor challenge (with a 0.4% improvement) and the BTCV abdominal CT scan benchmark (with a 1.3% improvement). The pre-trained models and the code are available at https://emmanuelleb985.github.io/ukbob , and the filtered labels will be made available with the UK Biobank.
• Abstract（参考訳）: 医用画像の最大の課題は、プライバシーの懸念、ロジスティクス、高ラベリングコストによる大規模なラベル付きデータ収集である。 本研究は,UKBOB (British Biobank Organs and Bones) という,51,761個のMRI 3Dサンプル(約179万枚の2D画像に相当する)と72個の臓器からなる177億個の2Dセグメンテーションマスクを含む,最大のラベル付き臓器のデータセットを提示する。 我々は,自動ラベル付け,臓器特異的フィルタを用いた自動ラベルクリーニングパイプラインの導入,および11の腹部クラスを持つ300個のMRIのサブセットを手動でアノテートして,その品質(UKBOBマニュアル参照)を検証した。 このアプローチにより、ラベルの信頼性を維持しながらデータセットコレクションのスケールアップが可能になる。 さらに,同領域の他の小さなラベル付きデータセット(腹部MRIなど)に対して,フィルタされたUKBOB上で訓練されたモデルのゼロショット一般化を実証することにより,ラベルの有効性を検証した。 雑音ラベルの効果をさらに緩和するために, セグメンテーション出力を改良するEntropy Test-time Adaptation (ETTA) という新しい手法を提案する。 基礎モデルであるUKBOBを,Swin-UNetrアーキテクチャに基づく3次元医用画像セグメンテーションのトレーニングに使用し,BRATS脳MRI腫瘍問題(0.4%改善)やBTCV腹部CTスキャンベンチマーク(1.3%改善)など,いくつかの3次元医用画像のベンチマークで最先端の結果を得た。 事前訓練されたモデルとコードはhttps://emmanuelleb985.github.io/ukbob で入手できる。

関連論文リスト

• D-MASTER: Mask Annealed Transformer for Unsupervised Domain Adaptation in Breast Cancer Detection from Mammograms [5.00208619516796]
  乳がん検診におけるUnsupervised Domain Adaptation (uda) の問題点に着目した。 近年の進歩により、マスク付き画像モデリングがUDAの頑健な前提課題となっていることが示されている。 クロスドメインBCDMに適用すると、これらのテクニックは、質量、非対称性、微小石灰化などの乳房異常に悩まされる。 これは多くの場合、画像当たりの偽陽性(FPI)が増加し、通常そのようなテクニックをブートストラップするために使用される擬似ラベルの顕著なノイズが生じる。
  論文  参考訳（メタデータ） (2024-07-09T06:35:17Z)
• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation [6.142272540492936]
  本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。 近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。 本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-08T04:21:02Z)
• MedMNIST v2: A Large-Scale Lightweight Benchmark for 2D and 3D Biomedical Image Classification [59.10015984688104]
  MedMNIST v2は、MNISTに似た大規模データセットコレクションである。 得られたデータセットは708,069個の2D画像と10,214個の3D画像で構成されている。
  論文  参考訳（メタデータ） (2021-10-27T22:02:04Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
  我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。 提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。 本手法は最先端のワンショット医療セグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2021-02-03T12:28:04Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。