論文の概要: QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors
- arxiv url: http://arxiv.org/abs/2012.12410v1
- Date: Tue, 22 Dec 2020 23:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 08:23:34.556706
- Title: QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors
- Title（参考訳）: quicktumornet:脳腫瘍の高速自動マルチクラスセグメンテーション
- Authors: Benjamin Maas, Erfan Zabeh, Soroush Arabshahi
- Abstract要約: 3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。
私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-invasive techniques such as magnetic resonance imaging (MRI) are widely
employed in brain tumor diagnostics. However, manual segmentation of brain
tumors from 3D MRI volumes is a time-consuming task that requires trained
expert radiologists. Due to the subjectivity of manual segmentation, there is
low inter-rater reliability which can result in diagnostic discrepancies. As
the success of many brain tumor treatments depends on early intervention, early
detection is paramount. In this context, a fully automated segmentation method
for brain tumor segmentation is necessary as an efficient and reliable method
for brain tumor detection and quantification. In this study, we propose an
end-to-end approach for brain tumor segmentation, capitalizing on a modified
version of QuickNAT, a brain tissue type segmentation deep convolutional neural
network (CNN). Our method was evaluated on a data set of 233 patient's T1
weighted images containing three tumor type classes annotated (meningioma,
glioma, and pituitary). Our model, QuickTumorNet, demonstrated fast, reliable,
and accurate brain tumor segmentation that can be utilized to assist clinicians
in diagnosis and treatment.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)のような非侵襲的手法は脳腫瘍の診断に広く用いられている。
しかし、3D MRIボリュームから脳腫瘍を手動で分割することは、専門の放射線技師を必要とする時間を要する作業である。
手動セグメンテーションの主観性のため、レート間信頼性が低いため、診断上の相違が生じる可能性がある。
多くの脳腫瘍治療の成功は早期介入に依存するため、早期発見が最重要である。
この文脈では、脳腫瘍の検出と定量化のための効率的で信頼性の高い方法として、脳腫瘍の完全自動分割法が必要である。
本研究では,脳組織型セグメンテーション深層畳み込みニューラルネットワーク(cnn)であるquicknatの修正版を用いて,脳腫瘍セグメンテーションのエンド・ツー・エンドアプローチを提案する。
3種類の腫瘍分類群(髄膜腫,グリオーマ,下垂体)を含む233例のt1強調画像のデータセットを用いて検討した。
我々のモデルであるquicktumornetは、迅速かつ信頼性が高く、正確な脳腫瘍の分画を示し、臨床医の診断と治療に役立てることができた。
関連論文リスト
- A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 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) - 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) - Segmentation of 2D Brain MR Images [0.0]
本研究の目的は,MRI画像の自動脳腫瘍分割法を提供することである。
脳腫瘍の早期診断は治療可能性の向上と患者の生存率の向上に重要な役割を担っている。
論文 参考訳（メタデータ） (2021-11-05T10:23:09Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - 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) - 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) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳（メタデータ） (2021-07-26T16:51:00Z) - 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework [3.0261170901794308]
グリオーマは最も一般的な脳悪性腫瘍であり、高い死亡率と3%以上の死亡率を有する。
このクリニックで脳腫瘍を取得する主要な方法は、マルチモーダルMRIスキャン画像から脳腫瘍領域のMRIである。
我々はAGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-26T09:04:59Z) - Brain Tumors Classification for MR images based on Attention Guided Deep
Learning Model [3.6328238032703806]
我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。
腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。
医師が脳腫瘍の効率的な診断を行うのを助ける。
論文 参考訳（メタデータ） (2021-04-06T07:25:52Z) - 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)
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。