Aug, 2023

FLARE22 挑战赛：在全癌症腹部器官定量中释放未标记数据的优势

PDF
TL;DR定量器官评估是自动腹部疾病诊断和治疗规划的重要步骤。人工智能（AI）在自动化这一过程中显示出巨大的潜力。为了克服现有 AI 算法在现实世界多国家设置中对准确性和效率的大规模评估以及缺乏全面评估的限制，我们组织了迄今最大规模的腹部器官分析挑战 FLARE 2022 Challenge，旨在评估快速、低资源、准确、注释高效和泛化能力强的 AI 算法。我们从 50 多个医疗团体构建了一个跨洲际和跨国家的数据集，包括来自不同种族、疾病、阶段和制造商的计算机断层扫描（CT 扫描）。我们独立验证了一组 AI 算法通过使用 50 个标记扫描和 2000 个未标记扫描实现了 90.0% 的中位数 Dice 相似系数（DSC），这可以显著减少标注要求。最佳表现的算法成功泛化到保留的外部验证集，分别在北美、欧洲和亚洲队列上实现了中位数 DSC 分别为 89.5%、90.9% 和 88.3%。它们还实现了关键器官生物学特征的自动提取，这在传统的手动测量中需要耗费大量人力。这有望利用未标记数据提升性能并缓解现代 AI 模型的标注短缺问题。
quantitative organ assessmentautomated abdominal disease diagnosisartificial intelligenceflare 2022 challengeabdominal organ analysis
发现论文，激发创造
  • 腹部器官和肿瘤分割的迭代半监督学习

    在这项研究中，我们提出了使用半监督学习和迭代伪标签策略来解决 FLARE23 挑战，在通过完整器官注释数据集训练的深度模型 (nn-UNet) 生成伪标签后，在 FLARE23 数据集上，我们的方法在器官分割和肿瘤分割上取得了优秀的结果。

    Oct, 2023

  • 腹部 CT 中快速、低资源和准确的器官与全癌肿瘤分割的两阶段混合监督框架

    提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。

    Sep, 2023

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • AbdomenCT-1K：腹部器官分割问题已得解决吗？

    该论文介绍了一个大规模的腹部 CT 器官分割数据集 AbdomenCT-1K，其中包括来自 12 个医疗中心的 1000 多个 CT 扫描，并指出现有的分割方法在不同医疗中心、不同阶段和看不见的疾病上存在一定的局限性，提出了用于此类数据的四个器官分割基准以及针对这些基准的简单而有效的方法，这将有助于未来的医学影像研究。

    Oct, 2020

  • CHAOS 挑战 -- 联合（CT-MR）健康腹部器官分割

    本文介绍了机器学习在人腹部器官分类中的应用，通过分析深度学习模型在肝脏和全部器官的单模态（CT / MR）和异模态任务上的性能表现，在多个任务中有不同表现。

    Jan, 2020

  • 腹部 CT 扫描腹水的深度学习分割用于自动体积量化

    用于肝硬化和卵巢癌患者中检测腹水并量化其体积的自动化深度学习方法表现良好。

    Jun, 2024

  • 临床情境中的腹部器官分割重思（RAOS）：具有挑战性案例的鲁棒性评估基准

    深度学习在腹部多器官分割方面取得了巨大的进展，但在边缘情况和复杂器官上的鲁棒性仍然是一个具有挑战性的问题。为了调查模型的鲁棒性，我们收集并注释了 RAOS 数据集，包括 413 名患者的 413 个 CT 扫描，涵盖了诊断 / 放疗、部分切除和完全切除三个临床组。该数据集可以作为评估模型鲁棒性的潜在基准，并提供了一些在公共数据集中很难获取的器官。我们对几种最先进的方法在这三个临床组中进行了基准测试，评估了性能和鲁棒性，并评估了 RAOS 与三个公共数据集之间的交叉泛化能力。该数据集和综合分析为未来鲁棒性研究提供了一个潜在的基准。

    Jun, 2024

  • 使用多标签方法改进 FDG-18 全身 PET/CT 扫描中的病变分割：AutoPET II 挑战

    使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

    Nov, 2023

  • 肺健康中的人工智能：在多个 CT 扫描数据集上对检测和诊断模型进行基准测试

    肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用 Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了 DLCSD-mD 和 LUNA16-mD 模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。

    May, 2024

  • 应用人工智能技术对 NLST 和 NSCLC-Radiomics 计算机断层扫描数据集进行注释扩充

    本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

    May, 2023