論文の概要: Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations

• arxiv url: http://arxiv.org/abs/2511.00472v1
• Date: Sat, 01 Nov 2025 09:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.793214
• Title: Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations
• Title（参考訳）: コンセンサスをベースとしたHuman-in-the-loopアノテーションを用いた縦隔前庭神経腫データセット
• Authors: Navodini Wijethilake, Marina Ivory, Oscar MacCormac, Siddhant Kumar, Aaron Kujawa, Lorena Garcia-Foncillas Macias, Rebecca Burger, Amanda Hitchings, Suki Thomson, Sinan Barazi, Eleni Maratos, Rupert Obholzer, Dan Jiang, Fiona McClenaghan, Kazumi Chia, Omar Al-Salihi, Nick Thomas, Steve Connor, Tom Vercauteren, Jonathan Shapey,
• Abstract要約: このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。 提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。 従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
• 参考スコア（独自算出の注目度）: 3.1898695141875772
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of vestibular schwannoma (VS) on Magnetic Resonance Imaging (MRI) is essential for patient management but often requires time-intensive manual annotations by experts. While recent advances in deep learning (DL) have facilitated automated segmentation, challenges remain in achieving robust performance across diverse datasets and complex clinical cases. We present an annotated dataset stemming from a bootstrapped DL-based framework for iterative segmentation and quality refinement of VS in MRI. We combine data from multiple centres and rely on expert consensus for trustworthiness of the annotations. We show that our approach enables effective and resource-efficient generalisation of automated segmentation models to a target data distribution. The framework achieved a significant improvement in segmentation accuracy with a Dice Similarity Coefficient (DSC) increase from 0.9125 to 0.9670 on our target internal validation dataset, while maintaining stable performance on representative external datasets. Expert evaluation on 143 scans further highlighted areas for model refinement, revealing nuanced cases where segmentation required expert intervention. The proposed approach is estimated to enhance efficiency by approximately 37.4% compared to the conventional manual annotation process. Overall, our human-in-the-loop model training approach achieved high segmentation accuracy, highlighting its potential as a clinically adaptable and generalisable strategy for automated VS segmentation in diverse clinical settings. The dataset includes 190 patients, with tumour annotations available for 534 longitudinal contrast-enhanced T1-weighted (T1CE) scans from 184 patients, and non-annotated T2-weighted scans from 6 patients. This dataset is publicly accessible on The Cancer Imaging Archive (TCIA) (https://doi.org/10.7937/bq0z-xa62).
• Abstract（参考訳）: 磁気共鳴画像(MRI)における前庭神経ショーノマ(VS)の正確なセグメンテーションは,患者の管理には不可欠であるが,専門家による経時的手動注記が必要であることが多い。 近年のディープラーニング (DL) の進歩は, 自動セグメンテーションの促進に寄与しているが, 多様なデータセットや複雑な臨床症例にまたがる堅牢なパフォーマンスの達成には依然として課題が残っている。 我々は、MRIにおけるVSの反復的セグメンテーションと品質改善のための自己ストラップ付きDLベースのフレームワークから派生した注釈付きデータセットを提案する。 私たちは複数のセンターからのデータを組み合わせて、アノテーションの信頼性に関する専門家のコンセンサスに頼っています。 提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。 このフレームワークは、Dice similarity Coefficient (DSC)によるセグメント化精度を大幅に向上し、対象の内部検証データセットでは0.9125から0.9670に向上し、代表的外部データセットでは安定した性能を維持した。 143スキャンのエキスパートによる評価は、モデルの洗練のための領域をさらに強調し、セグメンテーションが専門家の介入を必要とした、曖昧なケースを明らかにした。 提案手法は従来の手動アノテーション法と比較して約37.4%の効率向上が期待できる。 全体として,本手法は,臨床現場におけるVSセグメンテーションの自動化戦略として,高いセグメンテーション精度を達成し,その可能性を強調した。 このデータセットには190人の患者が含まれており、T1-weighted(T1CE)スキャンは534例、T2-weighted(T2CE)スキャンは6例である。 このデータセットはThe Cancer Imaging Archive (TCIA) (https://doi.org/10.7937/bq0z-xa62) で公開されている。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI [7.8413564248632825]
  本稿では、診断T1重み付け(Task1)と治療T2重み付け(Task2)の両方に対処するPANTHERチャレンジへの提案について詳述する。 我々のアプローチはnnU-Netフレームワーク上に構築されており、深いマルチステージの事前学習戦略を活用しています。 分析の結果,アグレッシブなデータ拡張によって高いボリューム精度が得られた,重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-08-29T16:50:29Z)
• Beyond Labels: Zero-Shot Diabetic Foot Ulcer Wound Segmentation with Self-attention Diffusion Models and the Potential for Text-Guided Customization [0.09423257767158631]
  本研究では注意拡散ゼロショット非監視システム(ADZUS)について紹介する。 ラベル付きトレーニングデータに頼ることなく創傷セグメンテーションを行う新しいテキスト誘導拡散モデルである。 ADZUSは従来型および最先端のセグメンテーションモデルを超え、IoUは86.68%、最高精度は94.69%である。
  論文  参考訳（メタデータ） (2025-04-24T14:50:10Z)
• 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)
• A novel open-source ultrasound dataset with deep learning benchmarks for spinal cord injury localization and anatomical segmentation [1.02101998415327]
  ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。 損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。 ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
  論文  参考訳（メタデータ） (2024-09-24T20:22:59Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。