論文の概要: Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks

• arxiv url: http://arxiv.org/abs/2007.05224v1
• Date: Fri, 10 Jul 2020 07:58:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 22:36:04.098732
• Title: Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
• Title（参考訳）: 部分畳み込みネットワークを用いた変形型レジストレーションを用いたグリオーマmr脳画像における非腫瘍組織の自動分割
• Authors: Zhongqiang Liu
• Abstract要約: われわれはまずU-Netを用いて脳腫瘍を分離し,正常な組織を模倣する新しい登録法を提案する。 提案アルゴリズムと直接登録を比較した結果, 灰白質のDice係数は正常な脳組織に対して有意に改善された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In brain tumor diagnosis and surgical planning, segmentation of tumor regions and accurate analysis of surrounding normal tissues are necessary for physicians. Pathological variability often renders difficulty to register a well-labeled normal atlas to such images and to automatic segment/label surrounding normal brain tissues. In this paper, we propose a new registration approach that first segments brain tumor using a U-Net and then simulates missed normal tissues within the tumor region using a partial convolutional network. Then, a standard normal brain atlas image is registered onto such tumor-removed images in order to segment/label the normal brain tissues. In this way, our new approach greatly reduces the effects of pathological variability in deformable registration and segments the normal tissues surrounding brain tumor well. In experiments, we used MICCAI BraTS2018 T1 tumor images to evaluate the proposed algorithm. By comparing direct registration with the proposed algorithm, the results showed that the Dice coefficient for gray matters was significantly improved for surrounding normal brain tissues.
• Abstract（参考訳）: 脳腫瘍の診断と手術計画には腫瘍領域の分節化と周囲の正常組織の正確な分析が必要である。 病理学的変異は、よくラベルされた正常なアトラスをそのような画像に登録し、正常な脳組織を取り巻く自動セグメント/ラベルに登録することが困難であることが多い。 本稿では,まずU-Netを用いて脳腫瘍を分離し,その後部分畳み込みネットワークを用いて腫瘍領域内の正常組織を模擬する新しい登録手法を提案する。 そして、正常な脳組織を分割・標識するために、標準の正常な脳アトラス画像をそのような腫瘍除去画像に登録する。 このようにして,本手法は変形性登録における病理変動の影響を大幅に減らし,脳腫瘍周囲の正常組織をよく分断する。 実験では,MICCAI BraTS2018 T1腫瘍画像を用いて提案アルゴリズムの評価を行った。 提案アルゴリズムと直接登録を比較した結果, 灰白質のDice係数は正常な脳組織に対して有意に改善された。

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)
• 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)
• Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks [0.0]
  脳の腫瘍はがんなので致命的です。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
  論文  参考訳（メタデータ） (2022-08-28T18:24:22Z)
• 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)
• Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation [0.9176056742068814]
  U-Netに基づく新しいエンド・ツー・エンド脳腫瘍セグメンテーションアーキテクチャを提案する。 提案モデルでは, 腫瘍コアと全腫瘍セグメンテーションについて, 最先端のU-Netモデルよりも有意に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-08-15T16:04:09Z)
• 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)
• Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology [33.90454917741234]
  腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
  論文  参考訳（メタデータ） (2021-01-17T20:38:50Z)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)
• 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)

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。