Fugu-MT 論文翻訳(概要): CANet: Context Aware Network for 3D Brain Glioma Segmentation

論文の概要: CANet: Context Aware Network for 3D Brain Glioma Segmentation

arxiv url: http://arxiv.org/abs/2007.07788v3
Date: Mon, 22 Mar 2021 10:03:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 06:13:30.272095
Title: CANet: Context Aware Network for 3D Brain Glioma Segmentation
Title（参考訳）: CANet: 三次元脳グリオーマセグメンテーションのためのコンテキスト認識ネットワーク
Authors: Zhihua Liu, Lei Tong, Long Chen, Feixiang Zhou, Zheheng Jiang, Qianni Zhang, Yinhai Wang, Caifeng Shan, Ling Li, Huiyu Zhou
Abstract要約: そこで我々は,脳神経グリオーマセグメンテーションのためのコンテキスト・アウェア・ネットワーク(CANet)という新しいアプローチを提案する。 CANetは、畳み込み空間と特徴相互作用グラフの両方からコンテキストを持つ高次元および差別的な特徴をキャプチャする。 BRATS 2017, BRATS 2018 および BRATS 2019 を用いて脳神経グリオーマ分節データセットを用いて本手法の評価を行った。
参考スコア（独自算出の注目度）: 33.34852704111597
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Automated segmentation of brain glioma plays an active role in diagnosis decision, progression monitoring and surgery planning. Based on deep neural networks, previous studies have shown promising technologies for brain glioma segmentation. However, these approaches lack powerful strategies to incorporate contextual information of tumor cells and their surrounding, which has been proven as a fundamental cue to deal with local ambiguity. In this work, we propose a novel approach named Context-Aware Network (CANet) for brain glioma segmentation. CANet captures high dimensional and discriminative features with contexts from both the convolutional space and feature interaction graphs. We further propose context guided attentive conditional random fields which can selectively aggregate features. We evaluate our method using publicly accessible brain glioma segmentation datasets BRATS2017, BRATS2018 and BRATS2019. The experimental results show that the proposed algorithm has better or competitive performance against several State-of-The-Art approaches under different segmentation metrics on the training and validation sets.
Abstract（参考訳）: 脳グリオーマの自動分割は、診断決定、進行監視、手術計画において重要な役割を果たす。ディープニューラルネットワークに基づくこれまでの研究では、脳グリオーマのセグメンテーションに有望な技術が示されている。しかし、これらのアプローチには腫瘍細胞とその周囲に関する文脈情報を取り込む強力な戦略が欠けており、局所的曖昧さに対処する基本的な手がかりとして証明されている。本研究では,脳グリオーマ分割のためのcanet(context-aware network)という新しいアプローチを提案する。 CANetは、畳み込み空間と特徴相互作用グラフの両方からコンテキストを持つ高次元および差別的な特徴をキャプチャする。さらに,特徴を選択的に集約できるコンテキストガイド付注意条件付きランダムフィールドを提案する。本手法はbrats2017,brats2018,brats2019の脳グリオーマセグメンテーションデータセットを用いて評価する。実験結果から,本アルゴリズムは,訓練セットと検証セットの異なるセグメンテーション指標の下で,最先端のアプローチに対して優れた性能を示すことがわかった。

関連論文リスト

Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
Influence based explainability of brain tumors segmentation in multimodal Magnetic Resonance Imaging [3.1994667952195273]
本稿では,医用画像タスクのセグメンテーションに焦点をあて,これまで提案されてきたほとんどの説明可能性手法が入力唾液マップの視覚的説明を提供する。この研究の目的は、もともと分類タスクのために提案された影響ベースの説明可能性アルゴリズムであるTracInを拡張し、実装し、テストすることである。
論文参考訳（メタデータ） (2024-04-05T17:07:21Z)
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)
Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文参考訳（メタデータ） (2023-06-15T16:22:57Z)
Identifying Shared Decodable Concepts in the Human Brain Using Image-Language Foundation Models [2.213723689024101]
高品質な事前学習型マルチモーダル表現を利用して、人間の脳内のきめ細かいセマンティックネットワークを探索する手法を提案する。このような脳の領域を特定するために,我々は,大規模な機能的磁気共鳴画像(fMRI)データセットからデオード可能な視覚概念を明らかにするために,データ駆動型アプローチを開発した。
論文参考訳（メタデータ） (2023-06-06T03:29:47Z)
Brain Diffusion for Visual Exploration: Cortical Discovery using Large Scale Generative Models [6.866437017874623]
我々は,自然画像とfMRI記録を用いて,与えられた脳領域を活性化するために予測される画像を合成する,データ駆動型アプローチを提案する。提案手法は,脳誘導画像合成と大規模拡散モデルを組み合わせた最近の生成法に基づいている。これらの結果は、人間の視覚野の微細な機能的構造に対する理解を深めるものである。
論文参考訳（メタデータ） (2023-06-05T17:59:05Z)
Residual Channel Attention Network for Brain Glioma Segmentation [6.138217560128551]
グリオーマ(glioma)は、認知機能に深刻な影響を与え、患者の生活の質を低下させる悪性脳腫瘍である。本研究では,グリオーマセグメンテーションの中間的特徴をキャリブレーションするために,残チャンネルアテンションモジュールを統合した新しいディープニューラルネットワークを実装した。提案するチャネルアテンション機構は、グリオーマの潜伏表現を最適化するために、特徴チャネルを適応的に重み付けする。
論文参考訳（メタデータ） (2022-05-22T06:12:19Z)
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)
Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文参考訳（メタデータ） (2020-07-04T13:39:48Z)
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。