骨盤骨を分節するための深層学習:大規模CTデータセットとベースラインモデル【JST・京大機械翻訳】

Liu Pengbo; Han Hu; Du Yuanqi; Zhu Heqin; Li Yinhao; Gu Feng; Xiao Honghu; Li Jun; Zhao Chunpeng; Xiao Li; Wu Xinbao; Zhou S. Kevin

プレプリント

J-GLOBAL ID：202202211337118912 整理番号：21P0068627

骨盤骨を分節するための深層学習:大規模CTデータセットとベースラインモデル【JST・京大機械翻訳】

Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2020年12月15日プレプリントサーバーでの情報更新日： 2021年03月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

目的:CTにおける骨盤骨セグメンテーションは,常に骨盤骨疾患の臨床診断および手術計画における必須段階である。骨盤骨セグメンテーションのための既存の方法は,手作業または半自動であり,マルチサイトドメインシフトによる画像外観変化を扱うとき,コントラスト血管,コプロスおよびチム,骨骨折,低用量,金属アーチファクトなどが,注釈付きの大規模な骨盤CTデータセットの欠如のため,深い学習法は完全には調査されていない。方法:本論文では,1,184のCT容積と320,000のスライスを含む,複数のソースと異なる製造業者からプールされた大きな骨盤CTデータセットを,異なる解像度で,そして,上記の外観変動の多様性によって埋めることで,データギャップを埋めることを狙った。次に,著者らは,より効果的かつロバストな特徴表現を得るために,複数ドメイン画像から,腰椎,仙骨,左股関節,および右股関節をセグメント化するための深いマルチクラスネットワークを学習するために,初めて,著者らの知識の最良を提案した。最後に,正確に予測された骨断片を保持しながら,偽予測を除去するために,符号付き距離関数(SDF)に基づく後処理ツールを導入した。結果:著者らのデータセットに関する広範な実験は,著者らの自動法の有効性を実証し,無金属体積に対して0.987の平均Diceを達成した。SDFポストプロセッサは,後処理段階で重要な骨断片を維持することによって,hausdorff距離で10.5%の減少をもたらした。結論:この大規模データセットは,https://github.com/ICT MIRACLE lab/CTPelvic1Kで画像,注釈,コードおよび訓練されたベースラインモデルを公開する全体コミュニティおよび計画の開発を促進するであろうと信じる。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

医用画像処理 , 運動器系の診断

, , , , ,

前のページに戻る