論文の概要: Random Bundle: Brain Metastases Segmentation Ensembling through Annotation Randomization

• arxiv url: http://arxiv.org/abs/2002.09809v2
• Date: Tue, 28 Apr 2020 15:56:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:46:50.417806
• Title: Random Bundle: Brain Metastases Segmentation Ensembling through Annotation Randomization
• Title（参考訳）: ランダムバンドル: アノテーションのランダム化による脳転移のセグメンテーション
• Authors: Darvin Yi, Endre Gr{\o}vik, Michael Iv, Elizabeth Tong, Greg Zaharchuk, Daniel Rubin
• Abstract要約: 本稿では,脳転移セグメンテーションの性能を向上させる新しいアンサンブル手法であるランダムバンドル(RB)を提案する。 注釈付き病変の50%を検閲して、データセット上の各ネットワークをトレーニングすることで、アンサンブルを作成します。 我々は,病変のmAP値のネットワーク検出を39%改善し,感度を80%精度で3倍に向上させた。
• 参考スコア（独自算出の注目度）: 1.9031935295821718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel ensembling method, Random Bundle (RB), that improves performance for brain metastases segmentation. We create our ensemble by training each network on our dataset with 50% of our annotated lesions censored out. We also apply a lopsided bootstrap loss to recover performance after inducing an in silico 50% false negative rate and make our networks more sensitive. We improve our network detection of lesions's mAP value by 39% and more than triple the sensitivity at 80% precision. We also show slight improvements in segmentation quality through DICE score. Further, RB ensembling improves performance over baseline by a larger margin than a variety of popular ensembling strategies. Finally, we show that RB ensembling is computationally efficient by comparing its performance to a single network when both systems are constrained to have the same compute.
• Abstract（参考訳）: 本稿では,脳転移セグメンテーションの性能を向上させる新しいアンサンブル手法であるランダムバンドル(RB)を提案する。 当社のデータセット上で各ネットワークをトレーニングし,アノテートされた病変の50%を検閲することでアンサンブルを構築します。 また、in silico 50%の偽陰性率を誘発し、ネットワークをより敏感にした後、パフォーマンスを回復するためにlopsided bootstrap損失を適用しました。 我々は,病変のmAP値のネットワーク検出を39%改善し,感度を80%精度で3倍に向上させた。 また,DICEスコアによるセグメンテーション品質もわずかに改善した。 さらに、rb ensemblingは、様々な一般的なensembling戦略よりも、ベースラインよりも大きなマージンでパフォーマンスを向上させる。 最後に,RBアンサンブルは,両システムが同一の計算能力を持つことを制約された場合,その性能を単一ネットワークと比較することにより,計算効率がよいことを示す。

関連論文リスト

• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data Augmentation [3.8371505627869955]
  Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。 実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
  論文  参考訳（メタデータ） (2023-02-25T21:42:00Z)
• Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task [17.648013128690216]
  本稿では,脳腫瘍セグメンテーション課題に対する対角学習に基づくトレーニング手法を提案する。 RSNA-ASNR-MICCAI BraTS 2021データセットを用いてネットワークアーキテクチャのトレーニングと評価を行った。 提案手法は,84.55%,90.46%,85.30%,ハウゼンドルフ距離(95%)が13.48mm,6.32mm,16.98mmであった。
  論文  参考訳（メタデータ） (2022-01-11T04:44:29Z)
• Mixing between the Cross Entropy and the Expectation Loss Terms [89.30385901335323]
  クロスエントロピー損失は、トレーニング中にサンプルを分類するのが難しくなる傾向にある。 最適化目標に期待損失を加えることで,ネットワークの精度が向上することを示す。 実験により,新しいトレーニングプロトコルにより,多様な分類領域における性能が向上することが示された。
  論文  参考訳（メタデータ） (2021-09-12T23:14:06Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation [2.929796807333766]
  MONAIfbsと呼ばれる胎児脳のセグメンテーションのための新しいツールを提案する。 これは、人工知能のための医療オープンネットワーク(MONAI)フレームワークを利用しています。
  論文  参考訳（メタデータ） (2021-03-21T18:35:25Z)
• Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study [1.6222504666823843]
  畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。 セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
  論文  参考訳（メタデータ） (2020-12-31T17:46:52Z)
• Generalized Wasserstein Dice Score, Distributionally Robust Deep Learning, and Ranger for brain tumor segmentation: BraTS 2020 challenge [4.787559241352888]
  ディープニューラルネットワークのトレーニングは、ディープニューラルネットワークの設計、サンプル単位の損失関数、人口減少関数、アーキテクチャの4つの主要な要素を持つ最適化問題である。 我々は、ディープニューラルネットワークの設計にのみ焦点をあてて、反対のアプローチを採用する実験を行った。 さまざまな最適化手順でトレーニングされた3つのディープニューラルネットワークのアンサンブルによって、BraTS 2020チャレンジの検証に期待できる結果が得られました。
  論文  参考訳（メタデータ） (2020-11-03T10:50:48Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Smooth Adversarial Training [120.44430400607483]
  ネットワークは正確かつ堅牢であると一般に信じられている。 ここでは、敵対的訓練に関する慎重な研究により、これらの共通の信念に挑戦する証拠を提示する。 本研究では、ReLUをそのスムーズな近似で置き換えて、逆行訓練を強化するスムーズな逆行訓練(SAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-25T16:34:39Z)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)

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。