Fugu-MT 論文翻訳(概要): Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI

論文の概要: Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI

arxiv url: http://arxiv.org/abs/2008.07090v1
Date: Mon, 17 Aug 2020 05:11:05 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 03:51:43.919381
Title: Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI
Title（参考訳）: MRI脳腫瘍分割のための深部畳み込みニューラルネットワークにおける球面座標変換前処理
Authors: Carlo Russo, Sidong Liu, Antonio Di Ieva
Abstract要約: 深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。 DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
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: Magnetic Resonance Imaging (MRI) is used in everyday clinical practice to assess brain tumors. Several automatic or semi-automatic segmentation algorithms have been introduced to segment brain tumors and achieve an expert-like accuracy. Deep Convolutional Neural Networks (DCNN) have recently shown very promising results, however, DCNN models are still far from achieving clinically meaningful results mainly because of the lack of generalization of the models. DCNN models need large annotated datasets to achieve good performance. Models are often optimized on the domain dataset on which they have been trained, and then fail the task when the same model is applied to different datasets from different institutions. One of the reasons is due to the lack of data standardization to adjust for different models and MR machines. In this work, a 3D Spherical coordinates transform during the pre-processing phase has been hypothesized to improve DCNN models' accuracy and to allow more generalizable results even when the model is trained on small and heterogeneous datasets and translated into different domains. Indeed, the spherical coordinate system avoids several standardization issues since it works independently of resolution and imaging settings. Both Cartesian and spherical volumes were evaluated in two DCNN models with the same network structure using the BraTS 2019 dataset. The model trained on spherical transform pre-processed inputs resulted in superior performance over the Cartesian-input trained model on predicting gliomas' segmentation on tumor core and enhancing tumor classes (increase of 0.011 and 0.014 respectively on the validation dataset), achieving a further improvement in accuracy by merging the two models together. Furthermore, the spherical transform is not resolution-dependent and achieve same results on different input resolution.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)は脳腫瘍の診断に日常的に用いられる。いくつかの自動または半自動のセグメンテーションアルゴリズムは、脳腫瘍をセグメント化し、専門家のような精度を達成するために導入された。ディープ畳み込みニューラルネットワーク(DCNN)は近年非常に有望な結果を示しているが、DCNNモデルは、主にモデルの一般化の欠如のために臨床的に有意義な結果を得るには程遠い。 DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。モデルはしばしば、トレーニングされたドメインデータセットに最適化され、同じモデルが異なる機関の異なるデータセットに適用された場合、タスクが失敗する。理由の1つは、異なるモデルとMRマシンを調整するためのデータ標準化の欠如にある。本研究では,3次元球面座標を前処理フェーズに変換することにより,DCNNモデルの精度を向上し,モデルが小型で異質なデータセットでトレーニングされ,異なる領域に変換された場合でも,より一般化可能な結果が得られることを仮定した。実際、球面座標系は解像度や撮像設定とは独立に動作するため、いくつかの標準化の問題を回避する。 BraTS 2019データセットを使用して、同じネットワーク構造を持つ2つのDCNNモデルで、Cartesianボリュームとsphericalボリュームを評価した。球状変換前処理インプットをトレーニングしたモデルは,腫瘍コアにおけるグリオーマのセグメンテーションの予測と腫瘍クラス(それぞれ0.011と0.014の増加)の強化において,Cartesian-Inputトレーニングモデルよりも優れた性能を示し,両者をマージして精度の向上を実現した。さらに、球面変換は解像度に依存しず、異なる入力解像度で同じ結果が得られる。

関連論文リスト

A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文参考訳（メタデータ） (2024-08-05T18:24:48Z)
Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文参考訳（メタデータ） (2024-02-12T01:03:39Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Investigating certain choices of CNN configurations for brain lesion segmentation [5.148195106469231]
深層学習モデル、特にCNNは、脳腫瘍セグメンテーションを含む医療画像解析の多くの応用において、選択の方法論となっている。我々はMRIを用いた脳腫瘍セグメント化の特定の課題に対するCNNモデルの主設計側面について検討した。
論文参考訳（メタデータ） (2022-12-02T15:24:44Z)
Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文参考訳（メタデータ） (2021-05-28T19:27:51Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Impact of Spherical Coordinates Transformation Pre-processing in Deep Convolution Neural Networks for Brain Tumor Segmentation and Survival Prediction [0.0]
球面変換入力データを用いたディープ畳み込みニューラルネットワーク(DCNN)のフィード化を目的とした新しい手法を提案する。本研究では,球面座標変換を前処理法として適用した。 LesionEncoderフレームワークはDCNNモデルから自動的に機能を抽出し、OS予測の0.586精度を実現している。
論文参考訳（メタデータ） (2020-10-27T00:33:03Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。