論文の概要: Veriserum: A dual-plane fluoroscopic dataset with knee implant phantoms for deep learning in medical imaging
- arxiv url: http://arxiv.org/abs/2509.05483v1
- Date: Fri, 05 Sep 2025 20:15:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.531572
- Title: Veriserum: A dual-plane fluoroscopic dataset with knee implant phantoms for deep learning in medical imaging
- Title（参考訳）: Veriserum:医療画像における深層学習のための人工膝関節を用いた二重平面蛍光画像データセット
- Authors: Jinhao Wang, Florian Vogl, Pascal Schütz, Saša Ćuković, William R. Taylor,
- Abstract要約: Veriserumは、デュアルプレーン蛍光分析のためのディープラーニング登録のトレーニングを支援するために設計されたオープンソースのデータセットである。
約110,000枚のX線画像と、約1600回の臨床試験で撮影された10個の膝インプラントの組み合わせで構成されている。
- 参考スコア（独自算出の注目度）: 0.09320657506524148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Veriserum is an open-source dataset designed to support the training of deep learning registration for dual-plane fluoroscopic analysis. It comprises approximately 110,000 X-ray images of 10 knee implant pair combinations (2 femur and 5 tibia implants) captured during 1,600 trials, incorporating poses associated with daily activities such as level gait and ramp descent. Each image is annotated with an automatically registered ground-truth pose, while 200 images include manually registered poses for benchmarking. Key features of Veriserum include dual-plane images and calibration tools. The dataset aims to support the development of applications such as 2D/3D image registration, image segmentation, X-ray distortion correction, and 3D reconstruction. Freely accessible, Veriserum aims to advance computer vision and medical imaging research by providing a reproducible benchmark for algorithm development and evaluation. The Veriserum dataset used in this study is publicly available via https://movement.ethz.ch/data-repository/veriserum.html, with the data stored at ETH Z\"urich Research Collections: https://doi.org/10.3929/ethz-b-000701146.
- Abstract（参考訳）: Veriserumは、デュアルプレーン蛍光分析のためのディープラーニング登録のトレーニングを支援するために設計されたオープンソースのデータセットである。
約110,000枚のX線画像から、約1,600回の臨床試験で得られた10個の人工膝関節(大腿骨2個とティアビア5個)を合成し、レベル・ゲイトやランプ降下などの日常活動に関連するポーズを取り入れた。
各画像には自動的に登録された接地真実のポーズが付加され、200枚の画像にはベンチマーク用の手動登録されたポーズが含まれている。
Veriserumの主な特徴は、デュアルプレーン画像とキャリブレーションツールである。
このデータセットは、2D/3D画像登録、画像分割、X線歪み補正、および3D再構成などのアプリケーションの開発を支援することを目的としている。
Veriserumは、アルゴリズムの開発と評価のための再現可能なベンチマークを提供することで、コンピュータビジョンと医療画像研究の進歩を目指している。
この研究で使用されるVeriserumデータセットはhttps://movement.ethz.ch/data-repository/veriserum.htmlで公開されており、ETH Z\"urich Research Collections: https://doi.org/10.3929/ethz-b-000701146に格納されている。
関連論文リスト
- Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training [53.77904429789069]
本稿では, 歯列検出のための新しいDual-View Co-TrainingネットワークであるAttention-TNetについて紹介する。
OurTNetは、自動歯肉検出を用いて、パノラマX線画像からのグローバルビューと、収穫した歯肉画像からのローカルビューの2つの補完的なビューを確立する。
両ビューからの情報を効果的に統合するために,Gated Cross-Viewモジュールを導入する。
論文 参考訳（メタデータ） (2025-08-28T14:13:26Z) - Domain-Adaptive Pre-training of Self-Supervised Foundation Models for Medical Image Classification in Gastrointestinal Endoscopy [0.024999074238880488]
ビデオカプセル内視鏡は、消化管の詳細な画像を取得する非侵襲的な方法を提供することで、消化管内視鏡(GIE)の診断を変換した。
ビデオカプセル内視鏡は、消化管の詳細な画像を取得する非侵襲的な方法を提供することで、消化管内視鏡(GIE)の診断を変換した。
しかし、そのポテンシャルは、画像処理中に生成される画像の量によって制限されており、それは6～8時間で最大100万枚の画像を生成することができる。
論文 参考訳（メタデータ） (2024-10-21T22:52:25Z) - 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) - Next-generation Surgical Navigation: Marker-less Multi-view 6DoF Pose Estimation of Surgical Instruments [64.59698930334012]
静止カメラとヘッドマウントカメラを組み合わせたマルチカメラ・キャプチャー・セットアップを提案する。
第2に,手術用ウェットラボと実際の手術用劇場で撮影された元脊椎手術のマルチビューRGB-Dビデオデータセットを公表した。
第3に,手術器具の6DoFポーズ推定の課題に対して,最先端のシングルビューとマルチビューの3つの手法を評価した。
論文 参考訳（メタデータ） (2023-05-05T13:42:19Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - A Large Scale Homography Benchmark [52.55694707744518]
1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。
また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
論文 参考訳（メタデータ） (2023-02-20T14:18:09Z) - 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) - Terabyte-scale supervised 3D training and benchmarking dataset of the
mouse kidney [1.4072064932290225]
3Dバイオメディカル画像のセグメンテーションに使用される機械学習アルゴリズムの性能は、2D写真で得られた結果に基づいて期待されるレベルに達しない。
これは、高ボリュームで高品質なトレーニングデータセットの欠如によって説明できる。
この研究で提示されたHR-キドニーデータセットは、1.7TBの人工物補正シンクロトロン放射ベースのX線位相コントラストマイクロトモグラフィー画像を提供することで、このギャップを橋渡しする。
論文 参考訳（メタデータ） (2021-08-04T18:08:28Z)
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。