論文の概要: Benchmarking of Deep Learning Methods for Generic MRI Multi-Organ Abdominal Segmentation
- arxiv url: http://arxiv.org/abs/2507.17971v2
- Date: Fri, 25 Jul 2025 14:03:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 12:12:30.227889
- Title: Benchmarking of Deep Learning Methods for Generic MRI Multi-Organ Abdominal Segmentation
- Title（参考訳）: MRI多臓器腹部切開のための深層学習手法のベンチマーク
- Authors: Deepa Krishnaswamy, Cosmin Ciausu, Steve Pieper, Ron Kikinis, Benjamin Billot, Andrey Fedorov,
- Abstract要約: 本稿では3つの最先端およびオープンソースMRI腹部分割ツールのベンチマークを行う。
これらのツールは、MSSegmentator、MRISegmentator-Abdomen、TotalSegmentator MRIである。
また、SynthSegベースのモデルであるABD Synthを、広く利用可能なCTセグメンテーションに基づいて純粋に訓練した。
- 参考スコア（独自算出の注目度）: 0.5277756703318045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in deep learning have led to robust automated tools for segmentation of abdominal computed tomography (CT). Meanwhile, segmentation of magnetic resonance imaging (MRI) is substantially more challenging due to the inherent signal variability and the increased effort required for annotating training datasets. Hence, existing approaches are trained on limited sets of MRI sequences, which might limit their generalizability. To characterize the landscape of MRI abdominal segmentation tools, we present here a comprehensive benchmarking of the three state-of-the-art and open-source models: MRSegmentator, MRISegmentator-Abdomen, and TotalSegmentator MRI. Since these models are trained using labor-intensive manual annotation cycles, we also introduce and evaluate ABDSynth, a SynthSeg-based model purely trained on widely available CT segmentations (no real images). More generally, we assess accuracy and generalizability by leveraging three public datasets (not seen by any of the evaluated methods during their training), which span all major manufacturers, five MRI sequences, as well as a variety of subject conditions, voxel resolutions, and fields-of-view. Our results reveal that MRSegmentator achieves the best performance and is most generalizable. In contrast, ABDSynth yields slightly less accurate results, but its relaxed requirements in training data make it an alternative when the annotation budget is limited. The evaluation code and datasets are given for future benchmarking at https://github.com/deepakri201/AbdoBench, along with inference code and weights for ABDSynth.
- Abstract（参考訳）: 近年のディープラーニングの進歩により,腹部CTのセグメンテーションのための堅牢な自動化ツールが開発されている。
一方、磁気共鳴イメージング(MRI)のセグメンテーションは、固有の信号のばらつきと、トレーニングデータセットのアノテートに要する労力の増加により、かなり困難である。
したがって、既存のアプローチはMRIシーケンスの限られたセットで訓練され、その一般化性が制限される可能性がある。
MRSegmentator, MRISegmentator-Abdomen, TotalSegmentator MRIの3つの最先端およびオープンソースモデルの総合的なベンチマークを行った。
これらのモデルは、労働集約型手動アノテーションサイクルを用いてトレーニングされているため、SynthSegベースのモデルであるABDSynthを導入・評価する。
より一般的には、3つの公開データセット(トレーニング中に評価された方法のどれにも見えない)を活用して精度と一般化性を評価する。
その結果, MRSegmentatorは最高の性能を達成し, 最も一般化可能であることがわかった。
対照的に、ABDSynthは若干精度が低いが、トレーニングデータにおける緩和された要求は、アノテーション予算が制限された場合に代替となる。
評価コードとデータセットは、将来のベンチマークにはhttps://github.com/deepakri201/AbdoBenchで、推論コードとABDSynthの重みが提供されている。
関連論文リスト
- MRI-CORE: A Foundation Model for Magnetic Resonance Imaging [10.722046937558627]
MRI-CORE(MRI-CORE)は、身体18箇所で1万1000万回以上のMRIボリュームから600万回以上スライスして訓練された視覚基盤モデルである。
実験では,13個のデータ制限セグメンテーションタスク,画像分類,ゼロショットセグメンテーションにおいて,最先端手法よりも優れた性能を示す。
また、最も有用な基礎モデルを生成する戦略と、事前学習タスクデータと下流タスクデータとの類似性に関する新たな分析結果も提示する。
論文 参考訳（メタデータ） (2025-06-13T19:26:56Z) - Multimodal Masked Autoencoder Pre-training for 3D MRI-Based Brain Tumor Analysis with Missing Modalities [0.0]
BM-MAEはマルチモーダルMRIデータに適したマスク付き画像モデリング事前学習戦略である。
利用可能なモダリティの組み合わせにシームレスに適応し、モダリティ内情報とモダリティ間情報の両方をキャプチャするリッチな表現を抽出する。
欠落したモダリティを迅速かつ効率的に再構築し、その実用的価値を強調します。
論文 参考訳（メタデータ） (2025-05-01T14:51:30Z) - Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。
既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。
学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
論文 参考訳（メタデータ） (2025-03-24T14:47:54Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。
本稿では,データ合成における生成モデルの利用について検討する。
本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
論文 参考訳（メタデータ） (2024-12-04T16:34:22Z) - Enhanced segmentation of femoral bone metastasis in CT scans of patients using synthetic data generation with 3D diffusion models [0.06700983301090582]
本稿では,3次元拡散確率モデル(DDPM)を用いた自動データパイプラインを提案する。
5675巻を新たに作成し,実データと合成データに基づいて3次元U-Netセグメンテーションモデルを訓練し,セグメンテーション性能を比較した。
論文 参考訳（メタデータ） (2024-09-17T09:21:19Z) - SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳（メタデータ） (2024-01-23T18:59:25Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。