論文の概要: Fast meningioma segmentation in T1-weighted MRI volumes using a
lightweight 3D deep learning architecture
- arxiv url: http://arxiv.org/abs/2010.07002v1
- Date: Wed, 14 Oct 2020 12:26:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 13:11:50.287417
- Title: Fast meningioma segmentation in T1-weighted MRI volumes using a
lightweight 3D deep learning architecture
- Title（参考訳）: 軽量3次元ディープラーニングアーキテクチャを用いたT1強調MRIボリュームの高速髄膜腫セグメンテーション
- Authors: David Bouget, Andr\'e Pedersen, Sayied Abdol Mohieb Hosainey, Johanna
Vanel, Ole Solheim, Ingerid Reinertsen
- Abstract要約: 多数の手術治療を行った髄膜腫と未治療の髄膜腫を用いて, セグメンテーションと処理速度を最適化した。
i)U-Netに似た単純なエンコーダデコーダ,(ii)軽量マルチスケールアーキテクチャ(PLS-Net)の2つの異なる3Dニューラルネットワークアーキテクチャについて検討した。
モデルは,検出精度,セグメンテーション精度,トレーニング/推論速度の観点から評価した。
- 参考スコア（独自算出の注目度）: 0.19573380763700712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic and consistent meningioma segmentation in T1-weighted MRI volumes
and corresponding volumetric assessment is of use for diagnosis, treatment
planning, and tumor growth evaluation. In this paper, we optimized the
segmentation and processing speed performances using a large number of both
surgically treated meningiomas and untreated meningiomas followed at the
outpatient clinic. We studied two different 3D neural network architectures:
(i) a simple encoder-decoder similar to a 3D U-Net, and (ii) a lightweight
multi-scale architecture (PLS-Net). In addition, we studied the impact of
different training schemes. For the validation studies, we used 698 T1-weighted
MR volumes from St. Olav University Hospital, Trondheim, Norway. The models
were evaluated in terms of detection accuracy, segmentation accuracy and
training/inference speed. While both architectures reached a similar Dice score
of 70% on average, the PLS-Net was more accurate with an F1-score of up to 88%.
The highest accuracy was achieved for the largest meningiomas. Speed-wise, the
PLS-Net architecture tended to converge in about 50 hours while 130 hours were
necessary for U-Net. Inference with PLS-Net takes less than a second on GPU and
about 15 seconds on CPU. Overall, with the use of mixed precision training, it
was possible to train competitive segmentation models in a relatively short
amount of time using the lightweight PLS-Net architecture. In the future, the
focus should be brought toward the segmentation of small meningiomas (less than
2ml) to improve clinical relevance for automatic and early diagnosis as well as
speed of growth estimates.
- Abstract（参考訳）: 診断, 治療計画, 腫瘍増殖評価には, t1強調mriで自動的かつ一貫した髄膜腫の分画と対応する容積評価が有用である。
本稿では,外科的治療を施した髄膜腫と外来での無治療髄膜腫の両方を用いて,セグメンテーションと処理速度を最適化した。
2つの異なる3dニューラルネットワークアーキテクチャを研究しました。
(i)3次元U-Netに似た単純なエンコーダデコーダ
(ii)軽量マルチスケールアーキテクチャ(PLS-Net)。
さらに、異なるトレーニングスキームの影響について検討した。
本研究はノルウェーのトロンドハイムにあるセント・オラヴ大学病院で698 T1-weighted MR volume を用いた。
モデルは,検出精度,セグメンテーション精度,トレーニング/推論速度の観点から評価した。
どちらのアーキテクチャも平均70%のdiceスコアに達したが、pls-netはf1-scoreが88%まで正確であった。
最大の髄膜腫に対して最も高い精度が得られた。
速度的にはPSS-Netアーキテクチャは約50時間で収束する傾向にあり、U-Netには130時間が必要であった。
PLS-Netによる推論はGPUで1秒未満、CPUで約15秒かかる。
全体として、混合精度トレーニングを用いることで、軽量なPLS-Netアーキテクチャを用いて比較的短時間で競合セグメンテーションモデルを訓練することが可能となった。
将来的には, 臨床診断と早期診断, 成長予測の速さを改善するため, 小さな髄膜腫(2ml未満)の分節化に焦点をあてるべきである。
関連論文リスト
- Time Elastic Neural Networks [2.1756081703276]
時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。
古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。
トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
論文 参考訳（メタデータ） (2024-05-27T09:01:30Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - A Deep Learning-Based and Fully Automated Pipeline for Regurgitant
Mitral Valve Anatomy Analysis from 3D Echocardiography [0.0]
3D経食道心エコー法(DTEE)は僧帽弁閉鎖不全症(MR)の診断に有用である
手動TEEセグメンテーションは時間を要するため、運用内の変動が原因で、測定の信頼性に影響を及ぼす。
我々は,3次元畳み込みニューラルネットワーク(CNN)を用いて,MVサブ構造を分割し,MV解剖を定量化する完全自動パイプラインを開発した。
論文 参考訳（メタデータ） (2023-02-21T12:48:44Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
様々なディープニューラルネットワークモデルの高速化性能を解析する。
我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。
我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
論文 参考訳（メタデータ） (2022-05-02T20:43:14Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Meningioma segmentation in T1-weighted MRI leveraging global context and
attention mechanisms [0.2624902795082451]
髄膜腫は脳腫瘍の最も一般的なタイプであり、脳腫瘍の約30%を占める。
U-Netアーキテクチャに対する注意メカニズムの包含を提案する。
マルチスケール入力および深層監視コンポーネントの影響について検討した。
論文 参考訳（メタデータ） (2021-01-19T16:40:53Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。