論文の概要: Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales

• arxiv url: http://arxiv.org/abs/2002.01975v1
• Date: Wed, 5 Feb 2020 20:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:58:27.734520
• Title: Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales
• Title（参考訳）: 複数の画像スケールを用いたカスケード深層ニューラルネットワークによる脳腫瘍の分節化
• Authors: Zahra Sobhaninia, Safiyeh Rezaei, Nader Karimi, Ali Emami, Shadrokh Samavi
• Abstract要約: 頭蓋内腫瘍は、通常は制御不能に増殖する細胞群である。 脳腫瘍の早期発見と評価はMRI(MRI)による予防に不可欠である
• 参考スコア（独自算出の注目度）: 12.463038471051478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intracranial tumors are groups of cells that usually grow uncontrollably. One out of four cancer deaths is due to brain tumors. Early detection and evaluation of brain tumors is an essential preventive medical step that is performed by magnetic resonance imaging (MRI). Many segmentation techniques exist for this purpose. Low segmentation accuracy is the main drawback of existing methods. In this paper, we use a deep learning method to boost the accuracy of tumor segmentation in MR images. Cascade approach is used with multiple scales of images to induce both local and global views and help the network to reach higher accuracies. Our experimental results show that using multiple scales and the utilization of two cascade networks is advantageous.
• Abstract（参考訳）: 頭蓋内腫瘍は、通常制御不能に増殖する細胞群である。 4件のうち1件は脳腫瘍によるものである。 脳腫瘍の早期発見と評価は、MRI(MRI)によって行われる重要な予防医療段階である。 この目的のために多くのセグメンテーション技術が存在する。 低セグメンテーション精度は既存の手法の主な欠点である。 本稿では,MR画像における腫瘍のセグメンテーションの精度を高めるための深層学習手法を提案する。 カスケードアプローチは、ローカルビューとグローバルビューの両方を誘導し、ネットワークがより高い精度に達するのを助けるために、複数のスケールの画像で使用される。 実験の結果,複数のスケールと2つのカスケードネットワークの利用が有利であることが判明した。

関連論文リスト

• Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
  脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。 医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。 本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
  論文  参考訳（メタデータ） (2024-07-15T11:30:40Z)
• Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy [0.0]
  我々は,MSVDアルゴリズムを用いて画像ノイズを低減し,深部ニューラルネットワークを用いて画像中の腫瘍を分割した。 提案手法の精度は元の画像と比較すると2.4%向上した。
  論文  参考訳（メタデータ） (2024-01-04T20:57:25Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
  3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。 私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
  論文  参考訳（メタデータ） (2020-12-22T23:16:43Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
  そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。 この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。 提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
  論文  参考訳（メタデータ） (2020-02-26T14:10:40Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。