論文の概要: MORE: Multi-Organ Medical Image REconstruction Dataset

• arxiv url: http://arxiv.org/abs/2510.26759v1
• Date: Thu, 30 Oct 2025 17:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.952723
• Title: MORE: Multi-Organ Medical Image REconstruction Dataset
• Title（参考訳）: MORE:マルチオーガン医療画像再構成データセット
• Authors: Shaokai Wu, Yapan Guo, Yanbiao Ji, Jing Tong, Yuxiang Lu, Mei Li, Suizhi Huang, Yue Ding, Hongtao Lu,
• Abstract要約: 15種類の病変を有する9種類の解剖組織にわたるCTスキャンを含むマルチオーガン医用画像再構成データセットについて紹介する。 このデータセットは,(1)広範で異種なデータに基づくディープラーニングモデルの堅牢なトレーニングを可能にすること,(2)CT再構成のためのモデル一般化の厳密な評価を容易にすること,の2つのキーとなる。
• 参考スコア（独自算出の注目度）: 27.136259882514864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CT reconstruction provides radiologists with images for diagnosis and treatment, yet current deep learning methods are typically limited to specific anatomies and datasets, hindering generalization ability to unseen anatomies and lesions. To address this, we introduce the Multi-Organ medical image REconstruction (MORE) dataset, comprising CT scans across 9 diverse anatomies with 15 lesion types. This dataset serves two key purposes: (1) enabling robust training of deep learning models on extensive, heterogeneous data, and (2) facilitating rigorous evaluation of model generalization for CT reconstruction. We further establish a strong baseline solution that outperforms prior approaches under these challenging conditions. Our results demonstrate that: (1) a comprehensive dataset helps improve the generalization capability of models, and (2) optimization-based methods offer enhanced robustness for unseen anatomies. The MORE dataset is freely accessible under CC-BY-NC 4.0 at our project page https://more-med.github.io/
• Abstract（参考訳）: CT再構成は放射線医に診断と治療のための画像を提供するが、現在のディープラーニング手法は一般的に特定の解剖学やデータセットに限られており、解剖学や病変の発見を妨げている。 そこで本研究では,9種類の病変をCTでスキャンし,Multi-Organ Medical Image Reconstruction (MORE)データセットを提案する。 このデータセットは,(1)広範で異種なデータに基づくディープラーニングモデルの堅牢なトレーニングを可能にすること,(2)CT再構成のためのモデル一般化の厳密な評価を容易にすること,の2つのキーとなる。 さらに、これらの挑戦的な条件下での事前アプローチよりも優れた、強力なベースラインソリューションを確立します。 その結果,(1)包括的データセットはモデルの一般化能力の向上に役立ち,(2)最適化に基づく手法は未知の解剖学に強力なロバスト性を提供することがわかった。 MOREデータセットは、プロジェクトページ https://more-med.github.io/ でCC-BY-NC 4.0の下で自由にアクセスできます。

関連論文リスト

• A Novel Multi-branch ConvNeXt Architecture for Identifying Subtle Pathological Features in CT Scans [1.2461503242570642]
  本稿では,医療画像解析の難題に特化して設計されたマルチブランチConvNeXtアーキテクチャを提案する。 提案モデルでは,厳密なデータ前処理から拡張まで,厳格なエンドツーエンドパイプラインを組み込んでいる。 実験結果から、最終的なROC-AUCは0.9937、バリデーション精度は0.9757、F1スコアは0.9825である。
  論文  参考訳（メタデータ） (2025-10-10T08:00:46Z)
• Multi Anatomy X-Ray Foundation Model [7.079609136804425]
  自己教師付き学習を用いたマルチ解剖学的X線基礎モデルであるXR-0を紹介する。 XR-0は、ほとんどのマルチ解剖学タスクで最先端のパフォーマンスを達成し、胸部固有のベンチマークで競争力を維持する。
  論文  参考訳（メタデータ） (2025-09-15T17:12:26Z)
• CADS: A Comprehensive Anatomical Dataset and Segmentation for Whole-Body Anatomy in Computed Tomography [27.1055374364626]
  我々は,全体CTセグメント化のための異種データソースの体系的統合,標準化,ラベル付けを優先するオープンソースフレームワークであるCADSを提案する。 コアには22,022のCTボリュームの大規模なデータセットがあり、167の解剖学的構造に対する完全なアノテーションがある。 18の公開データセットと独立した実世界の病院コホートを包括的に評価することにより、SoTAアプローチに対するアドバンテージを実証する。
  論文  参考訳（メタデータ） (2025-07-29T19:58:32Z)
• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)

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。