BriefGPT - AI 论文速递
·
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
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
深度学习在腹部多器官分割方面取得了巨大进展，但鲁棒性仍是挑战。研究者收集了413个CT扫描构建RAOS数据集，评估了性能和鲁棒性，并评估了RAOS与公共数据集的交叉泛化能力。该数据集为未来鲁棒性研究提供了潜在基准。
🎯
关键要点
-
深度学习在腹部多器官分割方面取得了巨大进展。
-
鲁棒性在边缘情况和复杂器官上仍然是一个挑战。
-
研究者收集并注释了RAOS数据集，包括413名患者的CT扫描。
-
RAOS数据集涵盖了诊断/放疗、部分切除和完全切除三个临床组。
-
该数据集可作为评估模型鲁棒性的潜在基准。
-
RAOS数据集提供了一些在公共数据集中难以获取的器官。
-
对几种最先进的方法在三个临床组中进行了基准测试，评估了性能和鲁棒性。
-
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潜在基准。
➡️
