.png){kind=icon}
返回
Learning Segmentation from Radiology Reports
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04971-1_29.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
CT扫描中的肿瘤分割对于诊断、手术和预后至关重要，但分割掩码稀缺，因为其创建需要时间和专业知识。公共腹部CT数据集包含几十到几千个肿瘤掩码，但医院有成百上千个带有放射报告的肿瘤CT。因此，利用报告来改进分割对于规模化至关重要。在本文中，我们提出了一种报告监督损失（R-Super），将放射报告转换为体素级监督用于肿瘤分割AI。我们创建了一个包含6,718对CT-报告的数据集（来自UCSF医院），并将其与公共CT-掩码数据集（来自AbdomenAtlas 2.0）合并。我们使用我们的R-Super结合这些掩码和报告进行训练，并在内部和外部验证中显著提高了肿瘤分割性能——F1分数相较于仅用掩码训练提高了高达16%。通过利用现成的放射报告补充稀缺的分割掩码，R-Super在极少数训练掩码可用（如50个）和多数掩码可用（如1.7K个）的情况下均显著提升了AI性能。项目：https://github.com/MrGiovanni/RSuper
Keyword:
Tumor Segmentation
Radiology Reports
Loss Function
期刊
机构
引用论文
nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image SegmentationNnu-net再访: 呼吁在3D医学图像分割中进行严格验证
PREAI
分享收藏分享收藏3D Multi-Attention Guided Multi-Task Learning Network for Automatic Gastric Tumor Segmentation and Lymph Node Classification三维多注意力引导多任务学习网络用于胃肿瘤自动分割和淋巴结分类
PREAI
分享收藏AbdomenAtlas: A large-scale, detailed-annotated, & multi-center dataset for efficient transfer learning and open algorithmic benchmarking用于高效迁移学习和开放算法基准测试的大规模、详细注释和多中心数据集.png)
MEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏
分享收藏TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT ImagesTotalSegmentator: CT图像中104解剖结构的鲁棒分割
OAAI
OAAI分享收藏
查看更多内容