論文の概要: IMA++: ISIC Archive Multi-Annotator Dermoscopic Skin Lesion Segmentation Dataset

• arxiv url: http://arxiv.org/abs/2512.21472v1
• Date: Thu, 25 Dec 2025 02:21:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:01:08.593953
• Title: IMA++: ISIC Archive Multi-Annotator Dermoscopic Skin Lesion Segmentation Dataset
• Title（参考訳）: IMA++: ISIC Archive Multi-Annotator Dermoscopic Lesion Segmentation Dataset
• Authors: Kumar Abhishek, Jeremy Kawahara, Ghassan Hamarneh,
• Abstract要約: 我々は,ISICアーカイブの画像に対して,大規模な多義性皮膚病変分類データセットであるISIC MultiAnnot++を紹介した。 最終データセットには、14,967枚の皮膚内視鏡画像にまたがる17,684枚のセグメンテーションマスクが含まれており、2,394枚の皮膚内視鏡画像は1枚あたり2-5枚のセグメンテーションを持つ。
• 参考スコア（独自算出の注目度）: 11.253171279463308
• License:
• Abstract: Multi-annotator medical image segmentation is an important research problem, but requires annotated datasets that are expensive to collect. Dermoscopic skin lesion imaging allows human experts and AI systems to observe morphological structures otherwise not discernable from regular clinical photographs. However, currently there are no large-scale publicly available multi-annotator skin lesion segmentation (SLS) datasets with annotator-labels for dermoscopic skin lesion imaging. We introduce ISIC MultiAnnot++, a large public multi-annotator skin lesion segmentation dataset for images from the ISIC Archive. The final dataset contains 17,684 segmentation masks spanning 14,967 dermoscopic images, where 2,394 dermoscopic images have 2-5 segmentations per image, making it the largest publicly available SLS dataset. Further, metadata about the segmentation, including the annotators' skill level and segmentation tool, is included, enabling research on topics such as annotator-specific preference modeling for segmentation and annotator metadata analysis. We provide an analysis on the characteristics of this dataset, curated data partitions, and consensus segmentation masks.
• Abstract（参考訳）: マルチアノテーションによる医用画像のセグメンテーションは重要な研究課題であるが、収集に費用がかかる注釈付きデータセットが必要である。 皮膚の皮膚病変の画像化により、人間の専門家やAIシステムは、通常の臨床写真と区別できない形態的構造を観察することができる。 しかし,現在,皮膚病変の画像診断用アノテータラベルを併用したSLSデータセットは存在しない。 我々は,ISICアーカイブの画像に対して,大規模な多義性皮膚病変分類データセットであるISIC MultiAnnot++を紹介した。 最終データセットには、14,967枚の皮膚内視鏡画像にまたがる17,684枚のセグメンテーションマスクが含まれており、2,394枚の皮膚内視鏡画像は画像ごとに2-5個のセグメンテーションを持つ。 さらに、アノテータのスキルレベルやセグメンテーションツールを含むセグメンテーションに関するメタデータが含まれており、セグメンテーションのためのアノテータ固有の嗜好モデルやアノテータのメタデータ分析などのトピックの研究を可能にする。 本稿では、このデータセットの特徴、キュレートされたデータパーティション、コンセンサスセグメンテーションマスクの分析を行う。

関連論文リスト

• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
  我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。 データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• 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)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。