論文の概要: nnU-Net for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2011.00848v1
• Date: Mon, 2 Nov 2020 09:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 12:51:23.002041
• Title: nnU-Net for Brain Tumor Segmentation
• Title（参考訳）: 脳腫瘍分離のためのnnU-Net
• Authors: Fabian Isensee, Paul F. Jaeger, Peter M. Full, Philipp Vollmuth, Klaus H. Maier-Hein
• Abstract要約: 我々はBraTS 2020チャレンジのセグメンテーションタスクにnnU-Netを適用した。 後処理、地域ベースのトレーニング、より積極的なデータ拡張、およびnnU-Netパイプラインへのいくつかのマイナーな変更について、BraTS固有の修正を取り入れています。 最終アンサンブルはBraTS 2020で,Diceスコア88.95,85.06,82.03,HD95値8.498,17.337,17.805,腫瘍コア17.805で初優勝した。
• 参考スコア（独自算出の注目度）: 2.570461548729326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We apply nnU-Net to the segmentation task of the BraTS 2020 challenge. The unmodified nnU-Net baseline configuration already achieves a respectable result. By incorporating BraTS-specific modifications regarding postprocessing, region-based training, a more aggressive data augmentation as well as several minor modifications to the nnUNet pipeline we are able to improve its segmentation performance substantially. We furthermore re-implement the BraTS ranking scheme to determine which of our nnU-Net variants best fits the requirements imposed by it. Our final ensemble took the first place in the BraTS 2020 competition with Dice scores of 88.95, 85.06 and 82.03 and HD95 values of 8.498,17.337 and 17.805 for whole tumor, tumor core and enhancing tumor, respectively.
• Abstract（参考訳）: 我々はBraTS 2020チャレンジのセグメンテーションタスクにnnU-Netを適用する。 未修正のnnU-Netベースライン構成は、すでに見事な結果が得られる。 ポストプロセッシング、リージョンベーストレーニング、より積極的なデータ拡張、nnunetパイプラインのマイナーな変更に関するbrats固有の変更を組み込むことで、セグメント化性能を大幅に改善することができる。 さらに、我々のnU-Net変種のうちどれが最も適しているかを決定するために、BraTSランキングスキームを再実装する。 ブラッツ2020では88.95,85.06,82.03点,hd958.498,17.337点,17.805点のdiceスコアがそれぞれ,腫瘍,腫瘍コア,造影腫瘍のそれぞれにおいて第1位となった。

関連論文リスト

• Iterative Reasoning Preference Optimization [84.15992372132507]
  生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。 このスキームの繰り返し繰り返しにおける推論の改善を示す。 例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
  論文  参考訳（メタデータ） (2024-04-30T17:28:05Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• 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)
• Combining CNNs With Transformer for Multimodal 3D MRI Brain Tumor Segmentation With Self-Supervised Pretraining [0.0]
  改良されたTransBTSとnnU-Netのアンサンブルと、BraTS 2021チャレンジのセグメンテーションタスクの組合せを適用する。 アンサンブルは0.8496, 0.8698, 0.9256ディススコア、15.72, 11.057, 3.374 HD95を達成し、腫瘍、腫瘍コア、腫瘍全体を増強する。
  論文  参考訳（メタデータ） (2021-10-15T08:03:27Z)
• Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
  そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。 我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
  論文  参考訳（メタデータ） (2021-10-07T11:44:09Z)
• 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)
• Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-25T10:05:12Z)

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。