論文の概要: Enhancing MRI Brain Tumor Segmentation with an Additional Classification
Network
- arxiv url: http://arxiv.org/abs/2009.12111v2
- Date: Wed, 28 Oct 2020 04:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:15:44.251409
- Title: Enhancing MRI Brain Tumor Segmentation with an Additional Classification
Network
- Title(参考訳): 付加型分類網によるMRI脳腫瘍分離の促進
- Authors: Hieu T. Nguyen, Tung T. Le, Thang V. Nguyen, Nhan T. Nguyen
- Abstract要約: そこで本研究では,ネットワークに新たな分類分岐を追加することにより,セグメンテーション結果を向上する新たなトレーニング手法を提案する。
ネットワーク全体が、Multimodal Brain tumor Challenge (BraTS) 2020トレーニングデータセットでエンドツーエンドにトレーニングされた。
- 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: Brain tumor segmentation plays an essential role in medical image analysis.
In recent studies, deep convolution neural networks (DCNNs) are extremely
powerful to tackle tumor segmentation tasks. We propose in this paper a novel
training method that enhances the segmentation results by adding an additional
classification branch to the network. The whole network was trained end-to-end
on the Multimodal Brain Tumor Segmentation Challenge (BraTS) 2020 training
dataset. On the BraTS's validation set, it achieved an average Dice score of
78.43%, 89.99%, and 84.22% respectively for the enhancing tumor, the whole
tumor, and the tumor core.
- Abstract(参考訳): 脳腫瘍のセグメンテーションは、医療画像解析において重要な役割を果たす。
近年の研究では, 深層畳み込みニューラルネットワーク (DCNN) は, 腫瘍のセグメンテーション課題に取り組む上で極めて強力である。
本稿では,ネットワークに新たな分類枝を追加することにより,セグメンテーション結果を向上させる新しい訓練手法を提案する。
ネットワーク全体のトレーニングは、multimodal brain tumor segmentation challenge (brats) 2020 training datasetで行われている。
ブラッツの検証セットでは、造影腫瘍、腫瘍全体、腫瘍コアについて平均78.43%、89.99%、84.22%のdiceスコアを達成した。
関連論文リスト
- On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks [0.9304666952022026]
本研究は、BraTS-GoATチャレンジの一環として、脳腫瘍セグメンテーション法を提案する。
課題は、成人、小児科、サハラ以南のアフリカなどの様々な集団から脳MRIスキャンで腫瘍を抽出することである。
実験の結果, 平均DSCは85.54%, HD95は27.88。
論文 参考訳(メタデータ) (2024-05-05T08:55:00Z) - HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
我々は,HNF-NetをHNF-Netv2に拡張する。
我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
論文 参考訳(メタデータ) (2022-02-10T06:34:32Z) - 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) - 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) - Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric
MRI [0.0]
本稿では,術前の mpMRI におけるグリオーマの自動認識のための,DeepSeg と nnU-Net という2つのディープラーニングフレームワークのアグリゲーションを提案する。
本手法では, 腫瘍, 腫瘍コア, 全腫瘍領域のDice類似度スコアが92.00, 87.33, 84.10, Hausdorff Distances 3.81, 8.91, 16.02を得た。
論文 参考訳(メタデータ) (2021-12-13T10:51:20Z) - Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs [2.946960157989204]
この研究は、摂動下での冗長性を最小化するネットワークトレーニングプロセスの修正である。
腫瘍コア, 腫瘍コア, 全腫瘍に対して, 0.8600, 0.8868, 0.9265平均ダイスを得た。
私たちのチーム(NVAUTO)の応募は、ETとTCのスコアで上位10チーム、WTのスコアで上位10チームだった。
論文 参考訳(メタデータ) (2021-11-01T07:39:06Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention
Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor
Segmentation [0.10195618602298678]
腫瘍の固有の構造を活用して唾液腺領域を検出することで,チャネルと空間的不斉注意(CASPIAN)を導入する。
また,セマンティックセグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入について検討する。
CASPIANET++は、Dice Scoresが91.19%、腫瘍コアが87.6%、腫瘍が81.03%である。
論文 参考訳(メタデータ) (2021-07-08T20:35:17Z) - 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) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳(メタデータ) (2020-12-30T20:44:55Z) - 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)
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。