• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Frontiers in Neurology >ISLES 2016 and 2017-Benchmarking Ischemic Stroke Lesion Outcome Prediction Based on Multispectral MRI
【2h】

ISLES 2016 and 2017-Benchmarking Ischemic Stroke Lesion Outcome Prediction Based on Multispectral MRI

机译：ISLES 2016和2017-基于多光谱MRI的基准性缺血性卒中病变结果预测

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Performance of models highly depend not only on the used algorithm but also the data set it was applied to. This makes the comparison of newly developed tools to previously published approaches difficult. Either researchers need to implement others' algorithms first, to establish an adequate benchmark on their data, or a direct comparison of new and old techniques is infeasible. The Ischemic Stroke Lesion Segmentation (ISLES) challenge, which has ran now consecutively for 3 years, aims to address this problem of comparability. ISLES 2016 and 2017 focused on lesion outcome prediction after ischemic stroke: By providing a uniformly pre-processed data set, researchers from all over the world could apply their algorithm directly. A total of nine teams participated in ISLES 2015, and 15 teams participated in ISLES 2016. Their performance was evaluated in a fair and transparent way to identify the state-of-the-art among all submissions. Top ranked teams almost always employed deep learning tools, which were predominately convolutional neural networks (CNNs). Despite the great efforts, lesion outcome prediction persists challenging. The annotated data set remains publicly available and new approaches can be compared directly via the online evaluation system, serving as a continuing benchmark ().
机译：模型的性能不仅高度取决于所使用的算法，还取决于其所应用的数据集。这使得很难将新开发的工具与以前发布的方法进行比较。研究人员要么首先需要实施其他人的算法，以在他们的数据上建立适当的基准，要么将新旧技术进行直接比较是不可行的。缺血性卒中病变分割（ISLES）挑战已连续运行了3年，旨在解决这一可比性问题。 ISLES 2016和2017专注于缺血性中风后的病变结果预测：通过提供统一的预处理数据集，来自世界各地的研究人员可以直接应用其算法。共有9个团队参加了ISLES 2015，有15个团队参加了ISLES2016。以公平，透明的方式对他们的表现进行了评估，以识别所有提交者中的最新技术。排名靠前的团队几乎总是​​采用深度学习工具，这些工具主要是卷积神经网络（CNN）。尽管做出了巨大的努力，但病变结局的预测仍然具有挑战性。带注释的数据集仍可公开获得，并且可以通过在线评估系统直接比较新方法，以作为持续的基准（）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号