在医学领域,图像分割由于数据层面的模糊性和不同专家的偏好,具有固有的主观性。这些因素导致对同一目标的不同解释,限制了人工智能模型在临床设置中的应用。MMIS-2024挑战邀请研究者通过专注于从MRI数据中分割多样化和个性化的大体肿瘤体积(GTV),来解决多评估者问题,这对于鼻咽癌和胶质母细胞瘤的放射治疗计划至关重要。多样化的分割提供了可能解释的全面视图,捕捉了专家意见的全部范围,并增强了人工智能模型在临床决策中的鲁棒性。这种方法确保了解释中的关键变化不会被忽视,这在复杂病例中尤其有价值。另一方面,个性化分割将结果调整以符合个别临床医生的具体偏好和方法论,从而产生更相关的治疗计划并减少临床医生的工作量。在临床应用中,这些方法通过适应专家评估的变异性和个性化治疗策略的需求,支持改进的放射治疗计划。
toujingbu维度 | 3D |
模态 | mri |
任务类型 | segmentation |
解剖结构 | 大体肿瘤 |
解剖区域 | 鼻咽部 & 脑部 |
类别数 | 2 |
数据量 | 任务1: 170, 任务2: 140 |
文件格式 | .h5, .nii.gz |
Dataset
│
├── MMIS2024TASK1
│ ├── training
│ │ ├── Sample_0.h5
│ │ ├── Sample_1.h5
│ │ ├── ...
│ ├── training_2d
│ │ ├── Sample_0_slice_0.h5
│ │ ├── Sample_0_slice_1.h5
│ │ ├── ...
│ ├── validation
│ │ ├── Sample_0.h5
│ │ ├── Sample_1.h5
│ │ ├── ...
├── MMIS2024TASK2_train
│ ├── Annotator_1
│ │ ├── Patient-018 week-034
│ │ │ ├── CT1.nii.gz
│ │ │ ├── CT1_seg.nii.gz
│ │ │ ├── FLAIR.nii.gz
│ │ │ ├── T1.nii.gz
│ │ │ ├── T2.nii.gz
│ │ ├── RHUH-0002
│ │ │ ├── RHUH-0002_2_flair.nii.gz
│ │ │ ├── RHUH-0002_2_t1.nii.gz
│ │ │ ├── RHUH-0002_2_t1ce.nii.gz
│ │ │ ├── RHUH-0002_2_t1ce_seg.nii.gz
│ │ │ ├── RHUH-0002_2_t2.nii.gz
│ │ ├── UPENN-GBM-00052_21
│ │ │ ├── UPENN-GBM-00052_21_FLAIR.nii
│ │ │ ├── UPENN-GBM-00052_21_T1.nii.gz
│ │ │ ├── UPENN-GBM-00052_21_T1GD.nii.gz
│ │ │ ├── UPENN-GBM-00052_21_T1GD_seg.nii.gz
│ │ │ ├── UPENN-GBM-00052_21_T2.nii.gz
│ ├── Annotator_2
│ ├── ...
├── MMIS2024TASK2_test
│ ├── Sample_0
│ │ ├── FLAIR.nii.gz
│ │ ├── T1.nii.gz
│ │ ├── T1contrast.nii.gz
│ │ ├── T2.nii.gz
│ ├── Sample_1
│ ├── ...
统计类型 | 间距 (mm) | 尺寸 |
---|---|---|
最小值 | (0.34, 0.34, 0.60) |
(192, 256, 24) |
中位值 | (0.98, 0.98, 1.00) |
(256, 256, 160) |
最大值 | (1.00, 1.00, 6.00) |
(512, 512, 252) |
@misc{mmis2024,
author = {Wu, Yicheng and Xie, Yutong and Luo, Xiangde and others},
title = {MMIS-2024@ACM MM 2024: Multi-rater Medical Image Segmentation for Radiotherapy Planning in Nasopharyngeal Carcinoma and Glioblastoma},
howpublished = {Web Page},
url = {https://mmis2024.com/},
year = {2024},
note = {Accessed: 2024-07-28}
}