論文の概要: 3DLAND: 3D Lesion Abdominal Anomaly Localization Dataset

• arxiv url: http://arxiv.org/abs/2602.12820v1
• Date: Fri, 13 Feb 2026 11:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.928971
• Title: 3DLAND: 3D Lesion Abdominal Anomaly Localization Dataset
• Title（参考訳）: 3DLAND:3次元病変腹部異常局在データセット
• Authors: Mehran Advand, Zahra Dehghanian, Navid Faraji, Reza Barati, Seyed Amir Ahmad Safavi-Naini, Hamid R. Rabiee,
• Abstract要約: 3DLANDは,肝,膵,腎臓,脾臓,胃,胆嚢の7臓器に関連し,6,000以上の造影CT量と20,000以上の高忠実度3D病変アノテーションを併用した大規模ベンチマークデータセットである。 このパイプラインは, 自動空間推論, プロンプト最適化2次元セグメンテーション, メモリ誘導3次元伝搬を統合し, サーフェススコア0.75を超える専門的放射線学者による検証を行った。 我々のデータセットは、臓器を意識した3Dセグメンテーションモデルを評価するための新しいベンチマークを確立し、医療指向AIの進歩の道を開く。
• 参考スコア（独自算出の注目度）: 8.974431489804337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing medical imaging datasets for abdominal CT often lack three-dimensional annotations, multi-organ coverage, or precise lesion-to-organ associations, hindering robust representation learning and clinical applications. To address this gap, we introduce 3DLAND, a large-scale benchmark dataset comprising over 6,000 contrast-enhanced CT volumes with over 20,000 high-fidelity 3D lesion annotations linked to seven abdominal organs: liver, kidneys, pancreas, spleen, stomach, and gallbladder. Our streamlined three-phase pipeline integrates automated spatial reasoning, prompt-optimized 2D segmentation, and memory-guided 3D propagation, validated by expert radiologists with surface dice scores exceeding 0.75. By providing diverse lesion types and patient demographics, 3DLAND enables scalable evaluation of anomaly detection, localization, and cross-organ transfer learning for medical AI. Our dataset establishes a new benchmark for evaluating organ-aware 3D segmentation models, paving the way for advancements in healthcare-oriented AI. To facilitate reproducibility and further research, the 3DLAND dataset and implementation code are publicly available at https://mehrn79.github.io/3DLAND.
• Abstract（参考訳）: 既存の腹部CT用の医用画像データセットには、3次元のアノテーション、多臓器のカバレッジ、または正確な病変と臓器の関連が欠如しており、堅牢な表現学習や臨床応用を妨げている。 肝,腎臓,膵,脾臓,胃,胆嚢の7臓器に関連し,6,000以上の造影CT量と20,000以上の高忠実度3D病変アノテーションを併用した大規模ベンチマークデータセットである3DLANDを導入する。 当社の合理化3相パイプラインは, 自動空間推論, 即時最適化2次元セグメンテーション, メモリ誘導3次元伝搬を統合した。 3DLANDは、多様な病変タイプと患者の人口動態を提供することで、医療AIのための異常検出、局所化、組織間移動学習のスケーラブルな評価を可能にする。 我々のデータセットは、臓器を意識した3Dセグメンテーションモデルを評価するための新しいベンチマークを確立し、医療指向AIの進歩の道を開く。 再現性とさらなる研究を容易にするため、3DLANDデータセットと実装コードはhttps://mehrn79.github.io/3DLANDで公開されている。

関連論文リスト

• Tracing 3D Anatomy in 2D Strokes: A Multi-Stage Projection Driven Approach to Cervical Spine Fracture Identification [6.060672815761177]
  本研究は,3次元CTボリュームにおける椎体レベル骨折検出のための2次元投射型椎体分割法の有効性について検討した。 全視野からYOLOv8モデルを用いて関心領域を同定し, 3次元頚椎領域を近似した。 DenseNet121-Unetベースのマルチラベルセグメンテーションは、分散およびエネルギーベースのプロジェクションを利用して、Diceスコア87.86パーセントを達成する。
  論文  参考訳（メタデータ） (2026-01-21T18:15:47Z)
• Devil is in Details: Locality-Aware 3D Abdominal CT Volume Generation for Self-Supervised Organ Segmentation [5.395145012900144]
  Locality-Aware Diffusion (Lad) は, 3次元腹部CTボリューム生成に適した新しい方法である。 AbdomenCT-1KデータセットのFIDスコアは0.0034から0.0002に低下した。 これらの結果は, 医用画像解析における自己教師あり学習を促進するための合成データの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-09-30T14:35:53Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• Multi-dimension unified Swin Transformer for 3D Lesion Segmentation in Multiple Anatomical Locations [1.7413461132662074]
  3次元病変分割のためのMDU-ST(multi-dimension unified Swin transformer)と呼ばれる新しいモデルを提案する。 ネットワークの性能はDice similarity coefficient(DSC)とHausdorff distance(HD)で内部の3D病変データセットを用いて評価される。 提案手法は, 放射線学および腫瘍成長モデル研究を支援するために, 自動3次元病変セグメンテーションを行うために用いられる。
  論文  参考訳（メタデータ） (2023-09-04T21:24:00Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• 3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography [2.2302915692528367]
  仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。 本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。 異常領域を93%の精度でローカライズし、高い性能を示す。
  論文  参考訳（メタデータ） (2022-06-18T13:22:00Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)

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。