論文の概要: MixNet: Multi-modality Mix Network for Brain Segmentation
- arxiv url: http://arxiv.org/abs/2004.09832v1
- Date: Tue, 21 Apr 2020 08:55:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 06:39:05.314823
- Title: MixNet: Multi-modality Mix Network for Brain Segmentation
- Title（参考訳）: MixNet:脳セグメンテーションのための多モード混合ネットワーク
- Authors: Long Chen, Dorit Merhof
- Abstract要約: MixNetは2Dのセマンティックワイド・ディープ畳み込みニューラルネットワークで、MRI画像の脳構造を分割する。
MixNetv2はMICCAI 2018でMRBrainSチャレンジに応募し、3ラベルタスクで3位を獲得した。
- 参考スコア（独自算出の注目度）: 8.44876865136712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated brain structure segmentation is important to many clinical
quantitative analysis and diagnoses. In this work, we introduce MixNet, a 2D
semantic-wise deep convolutional neural network to segment brain structure in
multi-modality MRI images. The network is composed of our modified deep
residual learning units. In the unit, we replace the traditional convolution
layer with the dilated convolutional layer, which avoids the use of pooling
layers and deconvolutional layers, reducing the number of network parameters.
Final predictions are made by aggregating information from multiple scales and
modalities. A pyramid pooling module is used to capture spatial information of
the anatomical structures at the output end. In addition, we test three
architectures (MixNetv1, MixNetv2 and MixNetv3) which fuse the modalities
differently to see the effect on the results. Our network achieves the
state-of-the-art performance. MixNetv2 was submitted to the MRBrainS challenge
at MICCAI 2018 and won the 3rd place in the 3-label task. On the MRBrainS2018
dataset, which includes subjects with a variety of pathologies, the overall DSC
(Dice Coefficient) of 84.7% (gray matter), 87.3% (white matter) and 83.4%
(cerebrospinal fluid) were obtained with only 7 subjects as training data.
- Abstract（参考訳）: 自動脳構造セグメンテーションは多くの臨床定量分析と診断に重要である。
本研究では,マルチモードMRI画像の脳構造を分割する2次元意味論的深部畳み込みニューラルネットワークMixNetを提案する。
ネットワークは改良された深層学習ユニットで構成されています。
このユニットでは、従来の畳み込み層を拡張畳み込み層に置き換え、プール層とデ畳み込み層の使用を回避し、ネットワークパラメータの数を減らす。
最終的な予測は、複数のスケールとモダリティから情報を集約することで行われる。
ピラミッドプーリングモジュールは、出力端の解剖学的構造の空間情報をキャプチャするために使用される。
さらに,3つのアーキテクチャ(MixNetv1,MixNetv2,MixNetv3)をテストして,結果への影響を確認する。
我々のネットワークは最先端の性能を達成する。
MixNetv2はMICCAI 2018でMRBrainSチャレンジに応募し、3ラベルタスクで3位を獲得した。
mrbrains2018データセットは, 病理疾患を有する患者を対象とし, 全体のdsc (dice coefficient) は84.7% (gray matter), 87.3% (white matter) および83.4% (cerebrospinal fluid) をトレーニングデータとして求めた。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Multi-pooling 3D Convolutional Neural Network for fMRI Classification of
Visual Brain States [3.19429184376611]
本稿では,fMRI分類精度を向上させるために,マルチプール3次元畳み込みニューラルネットワーク(MP3DCNN)を提案する。
MP3DCNNは主に3層3DCNNで構成されており、3D畳み込みの第1層と第2層はそれぞれプール接続の分岐を持つ。
論文 参考訳（メタデータ） (2023-03-25T07:54:51Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。
BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
論文 参考訳（メタデータ） (2020-12-12T09:09:04Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳（メタデータ） (2020-11-20T04:56:39Z) - Multi-modal segmentation of 3D brain scans using neural networks [0.0]
深部畳み込みニューラルネットワークは、3D MRI(MPRAGE, DWI, FLAIR)とCTスキャンのセグメンテーションのために訓練される。
セグメンテーションの質は、合計27の解剖学的構造に対してディース計量を用いて定量化される。
論文 参考訳（メタデータ） (2020-08-11T09:13:54Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor
Segmentation using Magnetic Resonance FLAIR Images [0.0]
グリオーマは最も一般的で攻撃的な脳腫瘍である。
FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。
本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的なディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-04-26T09:50:02Z)
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。