論文の概要: A Feasibility study for Deep learning based automated brain tumor
segmentation using Magnetic Resonance Images
- arxiv url: http://arxiv.org/abs/2012.11952v1
- Date: Tue, 22 Dec 2020 12:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:36:26.136955
- Title: A Feasibility study for Deep learning based automated brain tumor
segmentation using Magnetic Resonance Images
- Title（参考訳）: 磁気共鳴画像を用いた深層学習による脳腫瘍自動分割の可能性の検討
- Authors: Shanaka Ramesh Gunasekara, HNTK Kaldera, Maheshi B. Dissanayake
- Abstract要約: 深部畳み込みニューラルネットワーク(CNN)に基づく分類ネットワークおよび脳腫瘍MR画像分類および腫瘍局在のための高速RCNNベースの局在ネットワークが開発された。
提案した腫瘍セグメンテーションアーキテクチャの全体的な性能を,精度,境界変位誤差(BDE),Diceスコア,信頼区間などの客観的な品質パラメータを用いて解析した。
セグメント化された出力の信頼度は、専門家の信頼度と同じ範囲にあることが観察されました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning algorithms have accounted for the rapid acceleration of
research in artificial intelligence in medical image analysis, interpretation,
and segmentation with many potential applications across various sub
disciplines in medicine. However, only limited number of research which
investigates these application scenarios, are deployed into the clinical sector
for the evaluation of the real requirement and the practical challenges of the
model deployment. In this research, a deep convolutional neural network (CNN)
based classification network and Faster RCNN based localization network were
developed for brain tumor MR image classification and tumor localization. A
typical edge detection algorithm called Prewitt was used for tumor segmentation
task, based on the output of the tumor localization. Overall performance of the
proposed tumor segmentation architecture, was analyzed using objective quality
parameters including Accuracy, Boundary Displacement Error (BDE), Dice score
and confidence interval. A subjective quality assessment of the model was
conducted based on the Double Stimulus Impairment Scale (DSIS) protocol using
the input of medical expertise. It was observed that the confidence level of
our segmented output was in a similar range to that of experts. Also, the
Neurologists have rated the output of our model as highly accurate
segmentation.
- Abstract（参考訳）: 深層学習アルゴリズムは、医療画像解析、解釈、セグメンテーションにおける人工知能の研究の急速な加速に寄与しており、医学の様々なサブ分野にまたがる潜在的な応用が考えられる。
しかし、実際の要件とモデル展開の実践的課題を評価するため、臨床分野に導入されるのは、これらの応用シナリオを調査する限られた研究のみである。
本研究では,脳腫瘍MR画像の分類と腫瘍の局在化のために,深部畳み込みニューラルネットワーク(CNN)に基づく分類網と高速RCNNに基づく局所化ネットワークを開発した。
Prewittと呼ばれる典型的なエッジ検出アルゴリズムは、腫瘍局在の出力に基づいて、腫瘍セグメンテーションタスクに使用された。
提案した腫瘍セグメンテーションアーキテクチャの全体的な性能を,精度,境界変位誤差(BDE),Diceスコア,信頼区間などの客観的品質パラメータを用いて解析した。
このモデルの主観的品質評価は、医療専門知識の入力を用いたDouble Stimulus Impairment Scale (DSIS)プロトコルに基づいて行われた。
セグメント化されたアウトプットの信頼性レベルは、専門家のそれと同じような範囲にあることが観察されました。
また、神経学者はモデルの出力を高精度なセグメンテーションとして評価しました。
関連論文リスト
- Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:46:26Z) - Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Brain Tumor MRI Classification using a Novel Deep Residual and Regional
CNN [0.0]
Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。
開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。
実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-29T20:14:13Z) - 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) - The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。
BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。
BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
論文 参考訳（メタデータ） (2021-12-13T19:25:16Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。