PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2312.17670v5cs.CV공식 코드 · Papers with Code

TopCoW 챌린지 -- CT 및 MR 혈관조영술을 위한 위상 인식 윌리스 고리(Circle of Willis) 분할

The TopCoW Challenge -- Topology-Aware Circle of Willis Segmentation for CT and MR Angiography

윌리스 고리(Circle of Willis, CoW)는 뇌의 주요 순환을 연결하는 중요한 동맥 네트워크이다. 그 혈관 구조는 심각한 신경혈관 질환의 위험, 중증도, 예후에 영향을 미치는 것으로 알려져 있다. 그러나 변이가 큰 CoW 해부 구조를 특성화하는 일은 여전히 수동적이고 시간이 많이 걸리는 전문가 작업으로 남아 있다. CoW는 자기공명 혈관조영술(MRA)과 전산화단층 혈관조영술(CTA)이라는 두 가지 비침습적 혈관조영 영상 방식으로 일반적으로 촬영되지만, 주석이 달린 CoW 해부학을 포함한 데이터셋은 거의 없으며, CoW 분할 알고리즘을 비교하기 위한 확립된 벤치마크도 없었다. 우리는 동일 환자의 125쌍 MRA 및 CTA 스캔으로 구성된 주석 CoW 데이터셋을 공개하면서 TopCoW 벤치마크 챌린지를 조직했다. 13개 혈관 구성요소에 대한 복셀 수준 주석은 가상현실 기술을 사용하여 생성되었으며 임상 전문가에 의해 검증되었다. 참가자들은 CoW 분할 및 변이체 분류 알고리즘을 제출했으며, 이를 5개 이상 센터의 226개 스캔으로 구성된 내부 및 외부 테스트 세트에서 평가했다. 벤치마크에는 복셀 수준 분할, CoW 구성요소 검출, CoW 변이체 분류, 그리고 두 가지 임상 응용 과제가 포함된다. 6개 대륙의 250명 이상 참가자로부터 제출물을 받았다. 최고 성능 팀은 CoW 분할에서 90% 이상의 Dice 점수, 주요 혈관 구성요소 검출에서 80% 이상의 F1 점수, 거의 모든 테스트 세트에서 CoW 변이체 분류 시 70% 이상의 균형 정확도(balanced accuracy)를 달성했다. 최상의 알고리즘은 또한 태아형 후대뇌동맥을 정확히 분류하고 CoW 해부학과 관련하여 동맥류를 정위하는 방식으로 임상적으로 관련된 하위 과제를 지원했다. 이 벤치마크는 설명 가능성과 함께 일부 하위 임상 응용에서 CoW 분할 알고리즘의 유용성을 입증했다.

arXiv:2503.23179v4eess.IV공식 코드 · Papers with Code

OncoReg: 종양학적 챌린지를 위한 의료 영상 정합

OncoReg: Medical Image Registration for Oncological Challenges

현대 암 연구에서 생성되는 방대한 양의 의료 데이터는 환자 프라이버시와 관련된 문제로 인해 종종 활용되지 못합니다. OncoReg 챌린지는 환자 프라이버시를 보장하면서 더 일반화 가능한 AI 모델의 개발을 촉진하는 2단계 프레임워크를 통해 연구자들이 영상 정합 방법을 개발하고 검증할 수 있도록 하여 이 문제를 해결합니다. 1단계에서는 공개적으로 이용 가능한 데이터셋을 사용하고, 2단계에서는 보안된 병원 네트워크 내의 비공개 데이터셋에서 모델을 학습하는 데 중점을 둡니다. OncoReg는 Learn2Reg 챌린지가 확립한 기반을 바탕으로 구축되었으며, 방사선 치료에서 중재용 원뿔형 빔 컴퓨터 단층 촬영(CBCT)과 표준 계획용 팬빔 CT 영상의 정합을 통합합니다. 정확한 영상 정합은 종양학에서 매우 중요하며, 특히 영상 유도 방사선 치료(IGRT)에서의 동적 치료 조정에 있어서 건강한 조직에 대한 방사선 노출을 최소화하면서 종양을 효과적으로 표적화하기 위해 정밀한 정렬이 필요합니다. 이 연구는 OncoReg 챌린지의 배경이 되는 방법론과 데이터를 상세히 설명하고 대회 참가작과 결과에 대한 포괄적인 분석을 제공합니다. 연구 결과에 따르면 특징 추출이 이 정합 작업에서 핵심적인 역할을 한다는 것이 밝혀졌습니다. 이 챌린지에서 등장한 새로운 방법은 그 다재다능함을 입증했으며, 기존의 접근 방식은 최신 기술과 비슷한 성능을 계속해서 발휘하고 있습니다. 심층 학습과 고전적 접근 방식 모두 여전히 영상 정합에서 중요한 역할을 하며, 특히 특징 추출에서 방법들의 결합이 가장 효과적인 것으로 입증되었습니다.