IEEE Transactions on Medical Imaging· 2014Q1
BRATS Benzersizliği Beyin Tümörü Segmentasyon Algoritmalarındaki Değişkenliği Ortaya Koyuyor
The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS)
- 6.599atıf
- Q1SCImago
- 2014yıl
Kısa özet
BRATS benzersizliği (n=65 tarama), insan derecelendiricilerin beyin tümörü segmentasyonunda anlaşmazlık gösterdiğini (Dice 74-85%), algoritmaların alt bölgeler için insan değişkenliğine uymasına rağmen, tek bir algoritmanın hepsinde üstün olmadığını gösterdi. Algoritmaların çoğunluk oyu ile birleştirilmesi performansı artırdı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- İnsan derecelendiriciler, beyin tümörü alt bölgelerinin segmentasyonunda %74 ila %85 arasında değişen Dice skorlarıyla önemli anlaşmazlıklar gösterdi.
- Yirmi adet son teknoloji segmentasyon algoritması, 65 çoklu kontrast MR taraması üzerinde değerlendirildi.
- Farklı algoritmalar farklı tümör alt bölgelerinde en iyi performansı gösterdi ve insan derecelendirici değişkenliğine uyum sağladı.
- Tek bir algoritma, tüm alt bölgeler arasında eş zamanlı olarak en yüksek sıralamayı alamadı.
- Hiyerarşik bir çoğunluk oyu kullanılarak birden fazla algoritmanın birleştirilmesi, bireysel algoritmalardan tutarlı bir şekilde daha iyi sonuçlar verdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
In this paper we report the set-up and results of the Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) organized in conjunction with the MICCAI 2012 and 2013 conferences. Twenty state-of-the-art tumor segmentation algorithms were applied to a set of 65 multi-contrast MR scans of low- and high-grade glioma patients-manually annotated by up to four raters-and to 65 comparable scans generated using tumor image simulation software. Quantitative evaluations revealed considerable disagreement between the human raters in segmenting various tumor sub-regions (Dice scores in the range 74%-85%), illustrating the difficulty of this task. We found that different algorithms worked best for different sub-regions (reaching performance comparable to human inter-rater variability), but that no single algorithm ranked in the top for all sub-regions simultaneously. Fusing several good algorithms using a hierarchical majority vote yielded segmentations that consistently ranked above all individual algorithms, indicating remaining opportunities for further methodological improvements. The BRATS image data and manual annotations continue to be publicly available through an online evaluation system as an ongoing benchmarking resource.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Medical Imaging, 2014 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayarlı Görü ve Örüntü Tanıma
Computer Vision and Pattern RecognitionComputer Science