論文の概要: Context Aware 3D UNet for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2010.13082v2
• Date: Fri, 27 Nov 2020 13:57:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:56:45.490089
• Title: Context Aware 3D UNet for Brain Tumor Segmentation
• Title（参考訳）: 脳腫瘍分離のためのコンテキスト認識3D UNet
• Authors: Parvez Ahmad, Saqib Qamar, Linlin Shen, Adnan Saeed
• Abstract要約: UNetは、医用イメージングタスクのための3D CNNアーキテクチャのパフォーマンスの主要な情報源である。 脳腫瘍セグメント化のためのUNetアーキテクチャの修正を提案する。
• 参考スコア（独自算出の注目度）: 24.27997192961372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep convolutional neural network (CNN) achieves remarkable performance for medical image analysis. UNet is the primary source in the performance of 3D CNN architectures for medical imaging tasks, including brain tumor segmentation. The skip connection in the UNet architecture concatenates features from both encoder and decoder paths to extract multi-contextual information from image data. The multi-scaled features play an essential role in brain tumor segmentation. However, the limited use of features can degrade the performance of the UNet approach for segmentation. In this paper, we propose a modified UNet architecture for brain tumor segmentation. In the proposed architecture, we used densely connected blocks in both encoder and decoder paths to extract multi-contextual information from the concept of feature reusability. In addition, residual-inception blocks (RIB) are used to extract the local and global information by merging features of different kernel sizes. We validate the proposed architecture on the multi-modal brain tumor segmentation challenge (BRATS) 2020 testing dataset. The dice (DSC) scores of the whole tumor (WT), tumor core (TC), and enhancing tumor (ET) are 89.12%, 84.74%, and 79.12%, respectively.
• Abstract（参考訳）: 深部畳み込みニューラルネットワーク(CNN)は医用画像解析において顕著な性能を発揮する。 UNetは、脳腫瘍セグメンテーションを含む医療画像タスクのための3D CNNアーキテクチャのパフォーマンスの主要なソースである。 UNetアーキテクチャのスキップ接続は、エンコーダとデコーダの経路から特徴を結合し、画像データから複数のコンテキスト情報を抽出する。 マルチスケールの特徴は、脳腫瘍のセグメンテーションにおいて重要な役割を果たす。 しかし、機能の使用制限により、セグメンテーションのためのUNetアプローチのパフォーマンスが低下する可能性がある。 本稿では,脳腫瘍分割のためのunetアーキテクチャの改良を提案する。 提案アーキテクチャでは,エンコーダとデコーダの経路に密結合したブロックを用いて,特徴再利用性の概念から複数のコンテキスト情報を抽出する。 さらに、異なるカーネルサイズの特徴をマージすることで、ローカルおよびグローバル情報を抽出するために、残差インセプションブロック(RIB)が使用される。 提案アーキテクチャをbrats(multi-modal brain tumor segmentation challenge) 2020年テストデータセットで検証した。 全腫瘍(wt)、腫瘍コア(tc)、増強腫瘍(et)のdice(dsc)スコアはそれぞれ89.12%、84.74%、79.12%である。

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)
• multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
  脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。 腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。 セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
  論文  参考訳（メタデータ） (2024-09-18T17:35:19Z)
• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  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課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 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)
• 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)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• 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)
• Neural Architecture Search for Gliomas Segmentation on Multimodal Magnetic Resonance Imaging [2.66512000865131]
  マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。 開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
  論文  参考訳（メタデータ） (2020-05-13T14:32:00Z)

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。