論文の概要: A Two-Stage Cascade Model with Variational Autoencoders and Attention
Gates for MRI Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2011.02881v2
- Date: Sat, 28 Nov 2020 06:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 21:56:04.538183
- Title: A Two-Stage Cascade Model with Variational Autoencoders and Attention
Gates for MRI Brain Tumor Segmentation
- Title(参考訳): mri脳腫瘍セグメンテーションのための可変オートエンコーダとアテンションゲートを用いた2段階カスケードモデル
- Authors: Chenggang Lyu, Hai Shu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.055949720959582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic MRI brain tumor segmentation is of vital importance for the disease
diagnosis, monitoring, and treatment planning. In this paper, we propose a
two-stage encoder-decoder based model for brain tumor subregional segmentation.
Variational autoencoder regularization is utilized in both stages to prevent
the overfitting issue. The second-stage network adopts attention gates and is
trained additionally using an expanded dataset formed by the first-stage
outputs. On the BraTS 2020 validation dataset, the proposed method achieves the
mean Dice score of 0.9041, 0.8350, and 0.7958, and Hausdorff distance (95%) of
4.953, 6.299, and 23.608 for the whole tumor, tumor core, and enhancing tumor,
respectively. The corresponding results on the BraTS 2020 testing dataset are
0.8729, 0.8357, and 0.8205 for Dice score, and 11.4288, 19.9690, and 15.6711
for Hausdorff distance. The code is publicly available at
https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020.
- Abstract(参考訳): 自動MRI脳腫瘍セグメンテーションは、疾患の診断、モニタリング、治療計画において極めて重要である。
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。
第2ステージネットワークはアテンションゲートを採用し、第1ステージ出力によって生成された拡張データセットを使用してトレーニングする。
brats 2020バリデーションデータセットでは,腫瘍,腫瘍コア,造影腫瘍のそれぞれについて,0.9041点,0.8350点,0.7958点,ハウスドルフ距離(95%)4.953点,6.299点,23.608点をそれぞれ達成した。
brats 2020テストデータセットの対応する結果は、diceスコアの 0.8729, 0.8357, 0.8205、ハウスドルフ距離の 11.4288, 19.9690, 15.6711 である。
コードはhttps://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020で公開されている。
関連論文リスト
- A New Logic For Pediatric Brain Tumor Segmentation [0.5942186563711294]
深層学習アーキテクチャを用いた小児脳腫瘍の分節化のための新しいアプローチを提案する。
PED BraTS 2024テストセットに4つの異なる腫瘍ラベルを基準としてベンチマークを行った。
我々は、最先端(SOTA)モデルに対して、我々のモデルの性能を評価する。
論文 参考訳(メタデータ) (2024-11-03T00:52:14Z) - 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) - Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。
このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文 参考訳(メタデータ) (2023-02-11T04:30:40Z) - Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS
2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。
術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。
Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文 参考訳(メタデータ) (2022-12-19T09:14:23Z) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - 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) - 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)
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。