SVRDA：面向切片到体积配准的基于 Web 的数据集标注工具
人机交互
2023-11-28 v1 计算机视觉与模式识别
机器学习
摘要
背景与目的：基准数据集的缺乏阻碍了切片到体积配准算法的发展。此类数据集难以标注，主要由于数据内的维度差异以及缺乏特定任务软件。我们旨在开发一种用户友好的工具，以简化切片到体积配准的数据集标注。方法：所提出的工具名为 SVRDA，是一个免安装、跨平台、支持协作数据集标注的 Web 应用。它通过键盘快捷键实现高效的变换操作，并通过自动保存实现平滑的案例切换。SVRDA 支持基于配置的加载数据，并遵循关注点分离原则，为未来研究提供极大的灵活性与可扩展性。已实现多种辅助功能以促进切片到体积配准。结果：我们通过在 UK Biobank 数据上间接评估配准后分割质量验证了 SVRDA 的有效性，观察到整体显著改善（Dice 相似系数提高 24.02%，第 95 百分位 Hausdorff 距离提高 48.93%），并具有高度统计显著性证据（）。我们进一步通过将 SVRDA 集成到内部磁共振图像的测试-重测 T1 量化中展示了其临床用途，使配准后结果更一致。结论：SVRDA 可促进基准数据集的协作标注，并可能适用于其他包含切片到体积配准的流程。完整源代码与文档见 https://github.com/Roldbach/SVRDA
引用
@article{arxiv.2311.15536,
title = {SVRDA: A Web-based Dataset Annotation Tool for Slice-to-Volume Registration},
author = {Weixun Luo and Alexandre Triay Bagur and Paul Aljabar and George Ralli and Sir Michael Brady},
journal= {arXiv preprint arXiv:2311.15536},
year = {2023}
}
备注
18 pages, 11 figures, In submission to Computer Methods and Programs in Biomedicine