Unified Framework for Foreground and Anonymization Area Segmentation in CT and MRI Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F26%3A0197344" target="_blank" >RIV/00216305:26220/26:0197344 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-658-47422-5_53" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-658-47422-5_53</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-658-47422-5_53" target="_blank" >10.1007/978-3-658-47422-5_53</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Unified Framework for Foreground and Anonymization Area Segmentation in CT and MRI Data

Popis výsledku v původním jazyce

This study presents an open-source toolkit to address critical challenges in preprocessing data for self-supervised learning (SSL) for 3D medical imaging, focusing on data privacy and computational efficiency. The toolkit comprises two main components: a segmentation network that delineates foreground regions to optimize data sampling and thus reduce training time, and a segmentation network that identifies anonymized regions, preventing erroneous supervision in reconstruction-based SSL methods. Experimental results demonstrate high robustness, with mean Dice scores exceeding 98.5 across all anonymization methods and surpassing 99.5 for foreground segmentation tasks, highlighting the toolkit’s efficacy in supporting SSL applications in 3D medical imaging for both CT and MRI images. The weights and code is available at https://github.com/MIC-DKFZ/Foreground-and-Anonymization-Area-Segmentation.

Název v anglickém jazyce

Unified Framework for Foreground and Anonymization Area Segmentation in CT and MRI Data

Popis výsledku anglicky

This study presents an open-source toolkit to address critical challenges in preprocessing data for self-supervised learning (SSL) for 3D medical imaging, focusing on data privacy and computational efficiency. The toolkit comprises two main components: a segmentation network that delineates foreground regions to optimize data sampling and thus reduce training time, and a segmentation network that identifies anonymized regions, preventing erroneous supervision in reconstruction-based SSL methods. Experimental results demonstrate high robustness, with mean Dice scores exceeding 98.5 across all anonymization methods and surpassing 99.5 for foreground segmentation tasks, highlighting the toolkit’s efficacy in supporting SSL applications in 3D medical imaging for both CT and MRI images. The weights and code is available at https://github.com/MIC-DKFZ/Foreground-and-Anonymization-Area-Segmentation.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Bildverarbeitung für die Medizin 2025

ISBN

978-3-658-47421-8

ISSN

1431-472X

e-ISSN

2628-8958

Počet stran výsledku

6

Strana od-do

242-247

Název nakladatele

Springer Vieweg

Místo vydání

Wiesbaden

Místo konání akce

Regensburg, Německo

Datum konání akce

9. 3. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001480990700053