論文の概要: 3D Semantic Segmentation of Brain Tumor for Overall Survival Prediction

• arxiv url: http://arxiv.org/abs/2008.11576v2
• Date: Sun, 29 Nov 2020 04:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:34:00.360302
• Title: 3D Semantic Segmentation of Brain Tumor for Overall Survival Prediction
• Title（参考訳）: 脳腫瘍の3次元セマンティクスによる全生存予測
• Authors: Rupal Agravat, Mehul S Raval
• Abstract要約: 本稿では,3層エンコーダデコーダを用いた3次元完全畳み込みニューラルネットワークを用いた層配置について述べる。 ネットワークの検証セットダイススコアは、それぞれ0.74、0.88、0.73であり、腫瘍、全腫瘍、腫瘍コアを増強する。 回帰器は、検証セット上で44.8%の精度を達成する。
• 参考スコア（独自算出の注目度）: 3.7982492640302676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glioma, the malignant brain tumor, requires immediate treatment to improve the survival of patients. Gliomas heterogeneous nature makes the segmentation difficult, especially for sub-regions like necrosis, enhancing tumor, non-enhancing tumor, and Edema. Deep neural networks like full convolution neural networks and ensemble of fully convolution neural networks are successful for Glioma segmentation. The paper demonstrates the use of a 3D fully convolution neural network with a three layer encoder decoder approach for layer arrangement. The encoder blocks include the dense modules, and decoder blocks include convolution modules. The input to the network is 3D patches. The loss function combines dice loss and focal loss functions. The validation set dice score of the network is 0.74, 0.88, and 0.73 for enhancing tumor, whole tumor, and tumor core, respectively. The Random Forest Regressor uses shape, volumetric, and age features extracted from ground truth for overall survival prediction. The regressor achieves an accuracy of 44.8% on the validation set.
• Abstract（参考訳）: 悪性脳腫瘍であるグリオーマは、患者の生存を改善するために直ちに治療を必要とする。 グリオーマの異種性は、特に壊死、腫瘍の増強、非拡張性腫瘍、浮腫などのサブ領域において、セグメンテーションを困難にする。 完全畳み込みニューラルネットワークや完全畳み込みニューラルネットワークなどのディープニューラルネットワークは、グリオーマのセグメンテーションに成功している。 本稿では,3層エンコーダデコーダを用いた3次元完全畳み込みニューラルネットワークを用いた層配置について述べる。 エンコーダブロックは密集したモジュールを含み、デコーダブロックは畳み込みモジュールを含む。 ネットワークへの入力は3Dパッチである。 損失関数はサイコロ損失関数と焦点損失関数を組み合わせたものである。 ネットワークの検証セットダイススコアは、それぞれ0.74、0.88、0.73であり、腫瘍、全腫瘍、腫瘍コアを増強する。 ランダムフォレスト回帰器は、全体生存予測のために、地上の真実から抽出された形状、体積、年齢の特徴を使用する。 レグレッサーは検証セット上で44.8%の精度を達成する。

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)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• 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)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning [3.2803205051531235]
  我々は,腫瘍を2段階のプロセスで分割する u-net モデルを用いたカスケードアーキテクチャを提案する。 腫瘍、空洞および浮腫のセグメント化(単一のクラスとして)は76.7 $pm$ 1.5%のダイススコアに達し、腫瘍のセグメント化は単独で61.8 $pm$ 4.0%のダイススコアに達した。
  論文  参考訳（メタデータ） (2020-12-23T17:31:08Z)
• 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)
• 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)
• Brain tumour segmentation using cascaded 3D densely-connected U-net [10.667165962654996]
  本稿では,脳腫瘍をサブリージョンに分割する深層学習手法を提案する。 提案アーキテクチャは,U-Netアーキテクチャの変種に基づく3次元畳み込みニューラルネットワークである。 BraTS20バリデーションデータセットの実験結果から, 提案したモデルでは, 全腫瘍, 腫瘍コア, 造影腫瘍の平均Diceスコアが0.90, 0.82, 0.78に達した。
  論文  参考訳（メタデータ） (2020-09-16T09:14:59Z)
• 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)

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。