論文の概要: Brain tumour segmentation using cascaded 3D densely-connected U-net
- arxiv url: http://arxiv.org/abs/2009.07563v1
- Date: Wed, 16 Sep 2020 09:14:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 23:27:07.059926
- Title: Brain tumour segmentation using cascaded 3D densely-connected U-net
- Title（参考訳）: 3次元高密度U-netを用いた脳腫瘍切除
- Authors: Mina Ghaffari, Arcot Sowmya, and Ruth Oliver
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.667165962654996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate brain tumour segmentation is a crucial step towards improving
disease diagnosis and proper treatment planning. In this paper, we propose a
deep-learning based method to segment a brain tumour into its subregions: whole
tumour, tumour core and enhancing tumour. The proposed architecture is a 3D
convolutional neural network based on a variant of the U-Net architecture of
Ronneberger et al. [17] with three main modifications: (i) a heavy encoder,
light decoder structure using residual blocks (ii) employment of dense blocks
instead of skip connections, and (iii) utilization of self-ensembling in the
decoder part of the network. The network was trained and tested using two
different approaches: a multitask framework to segment all tumour subregions at
the same time and a three-stage cascaded framework to segment one sub-region at
a time. An ensemble of the results from both frameworks was also computed. To
address the class imbalance issue, appropriate patch extraction was employed in
a pre-processing step. The connected component analysis was utilized in the
post-processing step to reduce false positive predictions. Experimental results
on the BraTS20 validation dataset demonstrates that the proposed model achieved
average Dice Scores of 0.90, 0.82, and 0.78 for whole tumour, tumour core and
enhancing tumour respectively.
- Abstract（参考訳）: 脳腫瘍の正確なセグメンテーションは、疾患の診断と適切な治療計画を改善するための重要なステップである。
本稿では,脳腫瘍をそのサブリージョン(全腫瘍,腫瘍コア,造影腫瘍)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,Ronnebergerらによる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。
[17] 主な3つの変更点
(i)ヘビーエンコーダ、残余ブロックを用いた光デコーダ構造
(ii)接続先をスキップする代わりに、密集ブロックを雇用すること、
(iii)ネットワークのデコーダ部における自己センシングの利用
ネットワークは2つの異なるアプローチで訓練され、テストされた: すべての腫瘍のサブリージョンを同時に分割するマルチタスクフレームワークと、一度に1つのサブリージョンを分割する3段階のカスケードフレームワークである。
両方のフレームワークによる結果のアンサンブルも計算された。
クラス不均衡問題に対処するために,事前処理ステップにおいて適切なパッチ抽出を行った。
連結成分分析は, 偽陽性予測を減らすために, 後処理工程で利用した。
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。
関連論文リスト
- MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。
モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
論文 参考訳（メタデータ） (2024-11-04T09:03:43Z) - 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) - An Optimization Framework for Processing and Transfer Learning for the
Brain Tumor Segmentation [2.0886519175557368]
我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。
このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。
検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
論文 参考訳（メタデータ） (2024-02-10T18:03:15Z) - Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data [0.0]
3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。
その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。
これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
論文 参考訳（メタデータ） (2023-08-14T15:34:22Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 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) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - 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) - Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma
Segmentation in MRI Scans [22.60715394470069]
畳み込み3Dから2次元MRパッチ変換モデルにより,新しい画素ワイドセグメンテーションフレームワークを考案する。
本アーキテクチャでは, 局所スライス特性とグローバルスライス特性を併用して, 中央ボクセルのクラスラベルを推定する。
論文 参考訳（メタデータ） (2020-10-20T20:42:52Z)
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。