Fugu-MT 論文翻訳(概要): Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation

論文の概要: Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation

arxiv url: http://arxiv.org/abs/2009.12188v1
Date: Thu, 24 Sep 2020 10:50:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 04:40:37.300818
Title: Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation
Title（参考訳）: 不確実性を考慮した3D-CNNを用いた脳腫瘍切除
Authors: Laura Mora Ballestar and Veronica Vilaplana
Abstract要約: 本稿では,V-Net citevnetをベースとした3次元エンコーダデコーダアーキテクチャを提案する。不確実性マップは専門家の神経学者に余分な情報を提供し、モデルが与えられたセグメンテーションに自信がないことを検知するのに有用である。
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: Automation of brain tumors in 3D magnetic resonance images (MRIs) is key to assess the diagnostic and treatment of the disease. In recent years, convolutional neural networks (CNNs) have shown improved results in the task. However, high memory consumption is still a problem in 3D-CNNs. Moreover, most methods do not include uncertainty information, which is specially critical in medical diagnosis. This work proposes a 3D encoder-decoder architecture, based on V-Net \cite{vnet} which is trained with patching techniques to reduce memory consumption and decrease the effect of unbalanced data. We also introduce voxel-wise uncertainty, both epistemic and aleatoric using test-time dropout and data-augmentation respectively. Uncertainty maps can provide extra information to expert neurologists, useful for detecting when the model is not confident on the provided segmentation.
Abstract（参考訳）: 3次元磁気共鳴画像(MRI)における脳腫瘍の自動化は、疾患の診断と治療を評価する鍵となる。近年では、畳み込みニューラルネットワーク(CNN)がタスクの結果を改善している。しかし、3D-CNNでは高いメモリ消費が問題となっている。また, 診断に特に重要な不確実性情報を含まない方法が多い。本稿では,V-Net \cite{vnet}をベースとした3次元エンコーダデコーダアーキテクチャを提案する。また,テストタイムのドロップアウトとデータ拡張を併用して,てんかんとてんかんの両面でのボキセル的不確実性も導入した。不確実性マップは専門家の神経学者に余分な情報を提供し、モデルが与えられたセグメンテーションに自信がないことを検知するのに有用である。

関連論文リスト

How You Split Matters: Data Leakage and Subject Characteristics Studies in Longitudinal Brain MRI Analysis [0.0]
深層学習モデルは、医療画像分析の分野に革命をもたらし、診断と患者のケアを改善するための重要な約束を提供する。しかし、そのパフォーマンスは「データ漏洩」という隠された落とし穴のため、誤解を招くほど楽観的である。本研究では,脳MRI解析に3次元畳み込みニューラルネットワーク(CNN)を用いた3次元医用画像におけるデータ漏洩について検討した。
論文参考訳（メタデータ） (2023-09-01T09:15:06Z)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
論文参考訳（メタデータ） (2022-11-21T15:22:59Z)
Evaluation of augmentation methods in classifying autism spectrum disorders from fMRI data with 3D convolutional neural networks [0.0]
我々は,3D畳み込みニューラルネットワーク(CNN)を前処理した1,112人の被験者の安静状態誘導体を用いて分類を行う。以上の結果から,Augmentationはテスト精度をわずかに改善するだけであることがわかった。
論文参考訳（メタデータ） (2021-10-20T11:03:17Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)
3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文参考訳（メタデータ） (2021-04-04T20:30:14Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
MRI brain tumor segmentation and uncertainty estimation using 3D-UNet architectures [0.0]
本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
論文参考訳（メタデータ） (2020-12-30T19:28:53Z)
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)
4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文参考訳（メタデータ） (2020-07-02T12:02:20Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。