Fugu-MT 論文翻訳(概要): Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture

論文の概要: Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture

arxiv url: http://arxiv.org/abs/2003.07934v1
Date: Tue, 17 Mar 2020 20:55:48 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 21:58:41.570120
Title: Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture
Title（参考訳）: 畳み込み構造を用いた磁気共鳴画像における脳腫瘍の分離
Authors: Miriam Zulema Jacobo, Jose Mejia
Abstract要約: 深層学習アーキテクチャを用いた脳腫瘍セグメンテーションによる腫瘍セグメンテーションの問題点を考察する。提案されたアーキテクチャは単純で計算が容易だが、$IoU$レベル0.95に達することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The brain is a complex organ controlling cognitive process and physical functions. Tumors in the brain are accelerated cell growths affecting the normal function and processes in the brain. MRI scans provides detailed images of the body being one of the most common tests to diagnose brain tumors. The process of segmentation of brain tumors from magnetic resonance imaging can provide a valuable guide for diagnosis, treatment planning and prediction of results. Here we consider the problem brain tumor segmentation using a Deep learning architecture for use in tumor segmentation. Although the proposed architecture is simple and computationally easy to train, it is capable of reaching $IoU$ levels of 0.95.
Abstract（参考訳）: 脳は認知過程と身体機能を制御する複雑な器官である。脳腫瘍は脳の正常な機能や過程に影響を与える細胞増殖を加速する。 MRIスキャンは、脳腫瘍を診断する最も一般的な検査の一つとして、体の詳細な画像を提供する。磁気共鳴イメージングによる脳腫瘍の分節化のプロセスは、診断、治療計画、結果の予測のための貴重なガイドを提供することができる。そこで本研究では,深層学習による脳腫瘍分画の問題点について考察する。提案されたアーキテクチャは単純で計算が容易であるが、$iou$ の 0.95 に達することができる。

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)
Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文参考訳（メタデータ） (2024-03-29T07:16:34Z)
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)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
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)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection [0.0]
本研究では、畳み込みニューラルネットワーク(CNN)と極勾配増強(XGBoost)を組み合わせた脳腫瘍早期検出モデルを提案する。 C-XGBoostという名前のモデルでは、純粋にCNNよりもモデルの複雑さが低く、トレーニングが容易で、過度に適合する傾向が低い。また、実際の医用画像分類タスクにおいて一般的な問題である、不均衡データや非構造データを扱うことも可能である。
論文参考訳（メタデータ） (2023-01-05T22:25:28Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
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)
A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction [3.7982492640302676]
1)X線やCTなどの電離放射線を照射しない。
論文参考訳（メタデータ） (2020-05-31T11:12:14Z)

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。