論文の概要: DR-Unet104 for Multimodal MRI brain tumor segmentation
- arxiv url: http://arxiv.org/abs/2011.02840v2
- Date: Tue, 4 May 2021 14:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 21:56:34.081133
- Title: DR-Unet104 for Multimodal MRI brain tumor segmentation
- Title（参考訳）: DR-Unet104によるマルチモーダルMRI脳腫瘍郭清
- Authors: Jordan Colman, Lei Zhang, Wenting Duan and Xujiong Ye
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.786297008452384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we propose a 2D deep residual Unet with 104 convolutional
layers (DR-Unet104) for lesion segmentation in brain MRIs. We make multiple
additions to the Unet architecture, including adding the 'bottleneck' residual
block to the Unet encoder and adding dropout after each convolution block
stack. We verified the effect of introducing the regularisation of dropout with
small rate (e.g. 0.2) on the architecture, and found a dropout of 0.2 improved
the overall performance compared to no dropout, or a dropout of 0.5. We
evaluated the proposed architecture as part of the Multimodal Brain Tumor
Segmentation (BraTS) 2020 Challenge and compared our method to DeepLabV3+ with
a ResNet-V2-152 backbone. We found that the DR-Unet104 achieved a mean dice
score coefficient of 0.8862, 0.6756 and 0.6721 for validation data, whole
tumor, enhancing tumor and tumor core respectively, an overall improvement on
0.8770, 0.65242 and 0.68134 achieved by DeepLabV3+. Our method produced a final
mean DSC of 0.8673, 0.7514 and 0.7983 on whole tumor, enhancing tumor and tumor
core on the challenge's testing data. We produced a competitive lesion
segmentation architecture, despite only 2D convolutions, having the added
benefit that it can be used on lower power computers than a 3D architecture.
The source code and trained model for this work is openly available at
https://github.com/jordan-colman/DR-Unet104.
- Abstract（参考訳）: 本稿では,脳mriの病変分割に104層(dr-unet104)の畳み込み層を有する2次元深部残留unetを提案する。
我々は、unetエンコーダに 'bottleneck' 残差ブロックを追加し、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行います。
アーキテクチャに少量(0.2など)のドロップアウトの正規化を導入する効果を検証した結果,0.2のドロップアウトはドロップアウトなし,0.5のドロップアウトよりも全体的なパフォーマンスが向上した。
提案手法をDeepLabV3+とResNet-V2-152のバックボーンと比較した。
dr-unet104は,deeplabv3+で達成された0.8770,0.65242,0.68134に対して,検査値が0.8862,0.6756,0.6721であった。
本法では, 腫瘍全層で0.8673, 0.7514, 0.7983のdscを作製し, 腫瘍コアと腫瘍コアを強化した。
我々は,2次元畳み込みに留まらず,低消費電力のコンピュータで3次元アーキテクチャよりも利用できるという利点を付加して,競合する病変分割アーキテクチャを開発した。
この作業のソースコードとトレーニングされたモデルはhttps://github.com/jordan-colman/DR-Unet104で公開されている。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 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) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - 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) - 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) - 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) - Brain tumour segmentation using cascaded 3D densely-connected U-net [10.667165962654996]
本稿では,脳腫瘍をサブリージョンに分割する深層学習手法を提案する。
提案アーキテクチャは,U-Netアーキテクチャの変種に基づく3次元畳み込みニューラルネットワークである。
BraTS20バリデーションデータセットの実験結果から, 提案したモデルでは, 全腫瘍, 腫瘍コア, 造影腫瘍の平均Diceスコアが0.90, 0.82, 0.78に達した。
論文 参考訳（メタデータ） (2020-09-16T09:14:59Z)
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。