論文の概要: Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution

• arxiv url: http://arxiv.org/abs/2011.01045v2
• Date: Fri, 27 Nov 2020 15:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:19:29.097108
• Title: Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution
• Title（参考訳）: 自己集合型3次元U-netニューラルネットワークによる脳腫瘍セグメント形成 : BraTS 2020チャレンジソリューション
• Authors: Theophraste Henry, Alexandre Carre, Marvin Lerousseau, Theo Estienne, Charlotte Robert, Nikos Paragios, Eric Deutsch
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.17099252139182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumor segmentation is a critical task for patient's disease management. In order to automate and standardize this task, we trained multiple U-net like neural networks, mainly with deep supervision and stochastic weight averaging, on the Multimodal Brain Tumor Segmentation Challenge (BraTS) 2020 training dataset. Two independent ensembles of models from two different training pipelines were trained, and each produced a brain tumor segmentation map. These two labelmaps per patient were then merged, taking into account the performance of each ensemble for specific tumor subregions. Our performance on the online validation dataset with test time augmentation were as follows: Dice of 0.81, 0.91 and 0.85; Hausdorff (95%) of 20.6, 4,3, 5.7 mm for the enhancing tumor, whole tumor and tumor core, respectively. Similarly, our solution achieved a Dice of 0.79, 0.89 and 0.84, as well as Hausdorff (95%) of 20.4, 6.7 and 19.5mm on the final test dataset, ranking us among the top ten teams. More complicated training schemes and neural network architectures were investigated without significant performance gain at the cost of greatly increased training time. Overall, our approach yielded good and balanced performance for each tumor subregion. Our solution is open sourced at https://github.com/lescientifik/open_brats2020.
• Abstract（参考訳）: 脳腫瘍のセグメンテーションは患者の疾患管理にとって重要な課題である。 このタスクの自動化と標準化のために,我々は,マルチモーダル脳腫瘍分割課題(brats,multimodal brain tumor segmentation challenge,brats)2020のトレーニングデータセットに基づいて,深層監視と確率的重み平均化を中心に,複数のu-netライクなニューラルネットワークをトレーニングした。 2つの異なる訓練パイプラインからモデルの2つの独立したアンサンブルを訓練し、それぞれに脳腫瘍のセグメンテーションマップを作成した。 これらの2つのラベルマップは、特定の腫瘍部分領域に対するそれぞれのアンサンブルのパフォーマンスを考慮してマージされた。 試験時間増加を伴うオンライン検証データセットの性能は,0.81,0.91,0.85,Hausdorff(95%),20.6,4,3,5.7mm,全腫瘍コア,腫瘍コアの順であった。 同様に、私たちのソリューションはDiceの0.79、0.89、0.84、最終テストデータセットでHausdorff(95%)の20.4、6.7、19.5mmを達成し、トップ10チームの中でランク付けしました。 より複雑なトレーニングスキームとニューラルネットワークアーキテクチャを、トレーニング時間を大幅に増加させるコストで、大幅なパフォーマンス向上なしに調査した。 以上より,各腫瘍亜領域の成績は良好で,バランスが良好であった。 私たちのソリューションはhttps://github.com/lescientifik/open_brats2020でオープンソースです。

関連論文リスト

• 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)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Brain Tumor Segmentation and Survival Prediction using Automatic Hard mining in 3D CNN Architecture [0.30098583327398537]
  我々は3次元完全畳み込みニューラルネットワーク(CNN)を用いて、マルチモーダル磁気共鳴画像(MRI)からグリオーマとその構成成分を抽出する。 このアーキテクチャでは、密度の高い接続パターンを使用して重量と残留接続数を削減し、BraTS 2018データセットでこのモデルをトレーニングした結果の重量は0.448である。 シース類似度係数(DSC)の閾値を高めて、エポックの増加とともにハードケースを選択することにより、セグメンテーションタスクの難しいケースを訓練するために、トレーニング中にハードマイニングを行う。
  論文  参考訳（メタデータ） (2021-01-05T14:34:16Z)
• 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)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation [2.055949720959582]
  本稿では,脳腫瘍領域分割のための2段階エンコーダデコーダモデルを提案する。 変分オートエンコーダの正規化は、オーバーフィッティング問題を防止するために両段階で利用される。 提案法は, 腫瘍全体, 腫瘍コア, 造影腫瘍全体に対して平均Diceスコア0.9041, 0.8350, 0.7958, Hausdorff距離95%の4.953, 6.299, 23.608を得る。
  論文  参考訳（メタデータ） (2020-11-04T05:55:06Z)
• DR-Unet104 for Multimodal MRI brain tumor segmentation [7.786297008452384]
  脳MRIにおける病変分割のために,104層の畳み込み層(DR-Unet104)を有する2次元奥行きUnetを提案する。 Unetエンコーダに'bottleneck'残ブロックを追加し、各畳み込みブロックスタックの後にドロップアウトを追加するなど、Unetアーキテクチャに複数の追加を加えています。 コンボリューションは2次元のコンボリューションしかなく,低消費電力コンピュータで使用可能なメリットも備えた,競争力のある病変分割アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-11-04T01:24:26Z)

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。