論文の概要: Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of
Brain Tumor Patients using Dense-Vnet
- arxiv url: http://arxiv.org/abs/2006.02627v1
- Date: Thu, 4 Jun 2020 03:18:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 12:47:59.205020
- Title: Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of
Brain Tumor Patients using Dense-Vnet
- Title（参考訳）: Dense-Vnet を用いた脳腫瘍のMRIにおけるロバスト自動脳抽出
- Authors: Sara Ranjbar (1), Kyle W. Singleton (1), Lee Curtin (1), Cassandra R.
Rickertsen (1), Lisa E. Paulson (1), Leland S. Hu (1,2), J. Ross Mitchell
(3), Kristin R. Swanson (1) ((1) Mathematical NeuroOncology Lab, Precision
Neurotherapeutics Innovation Program, Department of Neurological Surgery,
Mayo Clinic, Phoenix, AZ, USA, (2) Department of Diagnostic Imaging and
Interventional Radiology, Mayo Clinic, Phoenix, AZ, USA, (3) Department of
Biostatistics and Bioinformatics, Moffitt Cancer Center and Research
Institute, Tampa, Florida, USA)
- Abstract要約: 全身脳抽出(ひゃく脳きゅうがく、英: Whole brain extract)は、頭蓋骨、眼球、皮膚などの非脳組織を神経画像から除去する過程である。
文献では頭蓋骨を剥がすアプローチが多用されているにもかかわらず、病理像、特に脳腫瘍のMRIの処理に十分な精度のものは少ない。
脳腫瘍患者におけるT1-weighted with Gadolinium contrast (T1Gd) やT2-weighted fluid attenuated inversion recovery (FLAIR) などの腫瘍学における共通MRIシークエンシングのための深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 5.684776869811468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole brain extraction, also known as skull stripping, is a process in
neuroimaging in which non-brain tissue such as skull, eyeballs, skin, etc. are
removed from neuroimages. Skull striping is a preliminary step in presurgical
planning, cortical reconstruction, and automatic tumor segmentation. Despite a
plethora of skull stripping approaches in the literature, few are sufficiently
accurate for processing pathology-presenting MRIs, especially MRIs with brain
tumors. In this work we propose a deep learning approach for skull striping
common MRI sequences in oncology such as T1-weighted with gadolinium contrast
(T1Gd) and T2-weighted fluid attenuated inversion recovery (FLAIR) in patients
with brain tumors. We automatically created gray matter, white matter, and CSF
probability masks using SPM12 software and merged the masks into one for a
final whole-brain mask for model training. Dice agreement, sensitivity, and
specificity of the model (referred herein as DeepBrain) was tested against
manual brain masks. To assess data efficiency, we retrained our models using
progressively fewer training data examples and calculated average dice scores
on the test set for the models trained in each round. Further, we tested our
model against MRI of healthy brains from the LBP40A dataset. Overall, DeepBrain
yielded an average dice score of 94.5%, sensitivity of 96.4%, and specificity
of 98.5% on brain tumor data. For healthy brains, model performance improved to
a dice score of 96.2%, sensitivity of 96.6% and specificity of 99.2%. The data
efficiency experiment showed that, for this specific task, comparable levels of
accuracy could have been achieved with as few as 50 training samples. In
conclusion, this study demonstrated that a deep learning model trained on
minimally processed automatically-generated labels can generate more accurate
brain masks on MRI of brain tumor patients within seconds.
- Abstract（参考訳）: 全身脳抽出(ひゃく脳きゅうがく、英: Whole brain extract)は、頭蓋骨、眼球、皮膚などの非脳組織を神経画像から除去する過程である。
Skull stripingは、術前計画、大脳皮質再建、および自動腫瘍分節の予備段階である。
頭蓋骨のストリッピングアプローチは多岐にわたるが,病理mri,特に脳腫瘍を伴うmriの処理には十分正確なものはほとんどない。
本研究では,脳腫瘍患者におけるT1-weighted with Gadolinium contrast (T1Gd) やT2-weighted fluid attenuated inversion recovery (FLAIR) などの腫瘍学における共通MRIシークエンシングのための深層学習手法を提案する。
我々は,SPM12ソフトウェアを用いて白黒,白白,CSFの確率マスクを自動生成し,モデルトレーニングのための最後の全脳マスクとしてマスクを1つにマージした。
DeepBrainと呼ばれる)モデルの味の一致、感度、特異性は、手動の脳マスクに対して試験された。
データ効率を評価するために、段階的に少ないトレーニングデータ例を用いてモデルを再訓練し、各ラウンドでトレーニングされたモデルのテストセットの平均ダイススコアを算出した。
さらに, LBP40Aデータセットから得られた健康脳のMRIと比較した。
DeepBrainは平均ダイススコア94.5%、感度96.4%、特異度98.5%の脳腫瘍データを得た。
健康な脳では、モデル性能が96.2%、感度96.6%、特異性99.2%に向上した。
データ効率の実験は、この特定のタスクに対して、50のトレーニングサンプルで同等の精度が達成できたことを示した。
その結果, 自動生成ラベルを最小処理した深層学習モデルでは, 脳腫瘍患者のmriでより正確な脳マスクを数秒以内に生成できることがわかった。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - A deep learning approach for brain tumor detection using magnetic
resonance imaging [0.0]
脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。
MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。
提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
論文 参考訳（メタデータ） (2022-10-25T10:13:29Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。
深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文 参考訳（メタデータ） (2022-04-26T13:20:42Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。
脳腫瘍は4件のがん死亡のうち1件を数えている。
本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。
3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
論文 参考訳（メタデータ） (2020-11-01T21:19:38Z) - 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) - Deep Convolutional Neural Networks Model-based Brain Tumor Detection in
Brain MRI Images [0.0]
我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。
本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
論文 参考訳（メタデータ） (2020-10-03T07:42:17Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。