Fugu-MT 論文翻訳(概要): Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint

論文の概要: Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint

arxiv url: http://arxiv.org/abs/2010.15647v2
Date: Sat, 31 Oct 2020 07:34:53 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 23:38:03.323414
Title: Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint
Title（参考訳）: 注意に基づく核融合と空間的関係制約を用いた脳腫瘍分節ネットワーク
Authors: Chenyu Liu, Wangbin Ding, Lei Li, Zhen Zhang, Chenhao Pei, Liqin Huang, Xiahai Zhuang
Abstract要約: マルチモーダルMR画像に基づいて脳腫瘍を頑健に分節する新しいマルチモーダル腫瘍セグメンテーションネットワーク(MMTSN)を開発した。マルチモーダル脳腫瘍セグメンテーションチャレンジ2020(BraTs 2020)の試験セットについて検討した。
参考スコア（独自算出の注目度）: 19.094164029068462
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Delineating the brain tumor from magnetic resonance (MR) images is critical for the treatment of gliomas. However, automatic delineation is challenging due to the complex appearance and ambiguous outlines of tumors. Considering that multi-modal MR images can reflect different tumor biological properties, we develop a novel multi-modal tumor segmentation network (MMTSN) to robustly segment brain tumors based on multi-modal MR images. The MMTSN is composed of three sub-branches and a main branch. Specifically, the sub-branches are used to capture different tumor features from multi-modal images, while in the main branch, we design a spatial-channel fusion block (SCFB) to effectively aggregate multi-modal features. Additionally, inspired by the fact that the spatial relationship between sub-regions of tumor is relatively fixed, e.g., the enhancing tumor is always in the tumor core, we propose a spatial loss to constrain the relationship between different sub-regions of tumor. We evaluate our method on the test set of multi-modal brain tumor segmentation challenge 2020 (BraTs2020). The method achieves 0.8764, 0.8243 and 0.773 dice score for whole tumor, tumor core and enhancing tumor, respectively.
Abstract（参考訳）: グリオーマの治療にはMRI画像からの脳腫瘍の特定が重要である。しかし,腫瘍の複雑な外観と曖昧な輪郭が原因で,自動脱線が困難である。マルチモーダルMR画像は腫瘍の生物学的特性が異なることを考慮し、マルチモーダルMR画像に基づいて脳腫瘍を堅牢に分節する新しいマルチモーダル腫瘍分節ネットワーク(MMTSN)を開発した。 MMTSNは3つのサブブランチと1つのメインブランチで構成されている。具体的には,マルチモーダル画像から腫瘍の特徴を捉えるためにサブブランチを用い,メインブランチでは空間チャネル融合ブロック(scfb)を設計し,マルチモーダル特徴を効果的に集約する。また,腫瘍のサブリージョン間の空間的関係が比較的固定されていること,例えば,造影腫瘍が常に腫瘍コア内にあることなどから,腫瘍のサブリージョン間の関係を制約する空間的損失を提案する。 brats2020 (multi-modal brain tumor segmentation challenge 2020) テストセットにおける本手法の評価を行った。本法は, 全腫瘍, 腫瘍コア, 造影腫瘍に対する0.8764, 0.8243, 0.773サイススコアをそれぞれ達成する。

関連論文リスト

Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文参考訳（メタデータ） (2024-12-05T12:00:00Z)
Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文参考訳（メタデータ） (2024-02-29T18:57:39Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。 Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
論文参考訳（メタデータ） (2023-11-09T18:55:27Z)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Feature-enhanced Generation and Multi-modality Fusion based Deep Neural Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文参考訳（メタデータ） (2021-11-08T10:59:40Z)
Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation [0.9176056742068814]
U-Netに基づく新しいエンド・ツー・エンド脳腫瘍セグメンテーションアーキテクチャを提案する。提案モデルでは, 腫瘍コアと全腫瘍セグメンテーションについて, 最先端のU-Netモデルよりも有意に優れた性能を示した。
論文参考訳（メタデータ） (2021-08-15T16:04:09Z)
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)
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)
Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。 MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
論文参考訳（メタデータ） (2020-08-28T09:15:42Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。