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: 翻訳完了
- 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
- MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文 参考訳（メタデータ） (2025-03-18T15:39:44Z) - SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。
本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。
空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
論文 参考訳（メタデータ） (2024-12-10T18:32:42Z) - Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。
医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。
本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文 参考訳（メタデータ） (2024-07-15T11:30:40Z) - On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks [0.9304666952022026]
本研究は、BraTS-GoATチャレンジの一環として、脳腫瘍セグメンテーション法を提案する。
課題は、成人、小児科、サハラ以南のアフリカなどの様々な集団から脳MRIスキャンで腫瘍を抽出することである。
実験の結果, 平均DSCは85.54%, HD95は27.88。
論文 参考訳（メタデータ） (2024-05-05T08:55:00Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - 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) - Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of
Human Brain WholeTumor Segmentation [2.869946954477617]
医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。
脳腫瘍は早期に検出された場合、悪性または良性であることが多い。
本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T23:44:16Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。