論文の概要: A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation

• arxiv url: http://arxiv.org/abs/2012.02073v1
• Date: Thu, 3 Dec 2020 17:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:53:34.791157
• Title: A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation
• Title（参考訳）: 脳腫瘍検出・分節のためのマルチタスク型アトラス残像ネットワーク
• Authors: Ngan Le, Kashu Yamazaki, Dat Truong, Kha Gia Quach, Marios Savvides
• Abstract要約: ディープニューラルネットワークは、さまざまな認識とセグメンテーションタスクにおいて最先端のパフォーマンスを達成した。 脳腫瘍のセグメンテーションは、背景クラスに属する画素数が前景クラスに属する画素数よりもはるかに大きい不均衡データ問題に直面している。 本稿では,カスケード構造として形成されたマルチタスクネットワークを提案する。
• 参考スコア（独自算出の注目度）: 27.217492086838735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep neural networks have achieved state-of-the-art performance in a variety of recognition and segmentation tasks in medical imaging including brain tumor segmentation. We investigate that segmenting a brain tumor is facing to the imbalanced data problem where the number of pixels belonging to the background class (non tumor pixel) is much larger than the number of pixels belonging to the foreground class (tumor pixel). To address this problem, we propose a multi-task network which is formed as a cascaded structure. Our model consists of two targets, i.e., (i) effectively differentiate the brain tumor regions and (ii) estimate the brain tumor mask. The first objective is performed by our proposed contextual brain tumor detection network, which plays a role of an attention gate and focuses on the region around brain tumor only while ignoring the far neighbor background which is less correlated to the tumor. The second objective is built upon a 3D atrous residual network and under an encode-decode network in order to effectively segment both large and small objects (brain tumor). Our 3D atrous residual network is designed with a skip connection to enables the gradient from the deep layers to be directly propagated to shallow layers, thus, features of different depths are preserved and used for refining each other. In order to incorporate larger contextual information from volume MRI data, our network utilizes the 3D atrous convolution with various kernel sizes, which enlarges the receptive field of filters. Our proposed network has been evaluated on various datasets including BRATS2015, BRATS2017 and BRATS2018 datasets with both validation set and testing set. Our performance has been benchmarked by both region-based metrics and surface-based metrics. We also have conducted comparisons against state-of-the-art approaches.
• Abstract（参考訳）: 近年、深層ニューラルネットワークは、脳腫瘍のセグメンテーションを含む医療画像における様々な認識とセグメンテーションタスクにおいて最先端のパフォーマンスを達成している。 背景クラス(非腫瘍画素)に属する画素数(非腫瘍画素)が前景クラス(腫瘍画素)に属する画素数よりはるかに大きい不均衡データ問題に脳腫瘍のセグメント化が直面している。 この問題に対処するために,カスケード構造として形成されるマルチタスクネットワークを提案する。 本モデルは,脳腫瘍領域を効果的に識別し,脳腫瘍マスクを推定する2つのターゲットから構成される。 第1の目的は,脳腫瘍検出ネットワークとして注目ゲートの役割を担い,腫瘍との相関が低い遠方の背景を無視しながら,脳腫瘍周辺の領域に焦点をあてることである。 第2の目的は、大小のオブジェクト(脳腫瘍)を効果的に分割するために、3次元のアラス残留ネットワークとエンコード・デコードネットワークに基づいて構築される。 我々の3Dアラス残差ネットワークは、深い層からの勾配を浅い層に直接伝播させるためにスキップ接続で設計されており、異なる深さの特徴を保存し、互いに精製するために使用される。 ボリュームMRIデータからより大きなコンテキスト情報を組み込むため,我々のネットワークでは,様々なカーネルサイズを持つ3次元アトラス畳み込みを利用してフィルタの受容場を拡大する。 提案するネットワークは,BRATS2015,BRATS2017,BRATS2018の各データセットを検証セットとテストセットで評価した。 私たちのパフォーマンスは、地域ベースのメトリクスと表面ベースのメトリクスの両方でベンチマークされています。 また,最先端手法との比較を行った。

関連論文リスト

• MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
  本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。 モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
  論文  参考訳（メタデータ） (2024-11-04T09:03:43Z)
• Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net [0.0]
  本稿では,脳腫瘍のマルチリージョンセグメンテーションのための3次元アテンションに基づくU-Netアーキテクチャを提案する。 注意機構は、健康な組織を非強調化し、悪性組織をアクセントすることで、セグメンテーションの精度を向上させる。
  論文  参考訳（メタデータ） (2023-05-10T14:35:07Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks [0.0]
  脳の腫瘍はがんなので致命的です。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
  論文  参考訳（メタデータ） (2022-08-28T18:24:22Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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)
• Context Aware 3D UNet for Brain Tumor Segmentation [24.27997192961372]
  UNetは、医用イメージングタスクのための3D CNNアーキテクチャのパフォーマンスの主要な情報源である。 脳腫瘍セグメント化のためのUNetアーキテクチャの修正を提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:32:25Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。