論文の概要: Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma
- arxiv url: http://arxiv.org/abs/2101.08757v3
- Date: Thu, 11 Mar 2021 21:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:45:40.489614
- Title: Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma
- Title（参考訳）: グリオブラスト腫の弱教師付き腫瘍分割に対する期待最大化正規化深層学習
- Authors: Chao Li, Wenjian Huang, Xi Chen, Yiran Wei, Stephen J. Price,
Carola-Bibiane Sch\"onlieb
- Abstract要約: 本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
- 参考スコア（独自算出の注目度）: 8.24450401153384
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present an Expectation-Maximization (EM) Regularized Deep Learning
(EMReDL) model for the weakly supervised tumor segmentation. The proposed
framework was tailored to glioblastoma, a type of malignant tumor characterized
by its diffuse infiltration into the surrounding brain tissue, which poses
significant challenge to treatment target and tumor burden estimation based on
conventional structural MRI. Although physiological MRI can provide more
specific information regarding tumor infiltration, the relatively low
resolution hinders a precise full annotation. This has motivated us to develop
a weakly supervised deep learning solution that exploits the partial labelled
tumor regions.
EMReDL contains two components: a physiological prior prediction model and
EM-regularized segmentation model. The physiological prior prediction model
exploits the physiological MRI by training a classifier to generate a
physiological prior map. This map was passed to the segmentation model for
regularization using the EM algorithm. We evaluated the model on a glioblastoma
dataset with the available pre-operative multiparametric MRI and recurrence
MRI. EMReDL was shown to effectively segment the infiltrated tumor from the
partially labelled region of potential infiltration. The segmented core and
infiltrated tumor showed high consistency with the tumor burden labelled by
experts. The performance comparison showed that EMReDL achieved higher accuracy
than published state-of-the-art models. On MR spectroscopy, the segmented
region showed more aggressive features than other partial labelled region. The
proposed model can be generalized to other segmentation tasks with partial
labels, with the CNN architecture flexible in the framework.
- Abstract（参考訳）: 本稿では,弱教師付き腫瘍分画に対するexpectation-maximization (em) regularized deep learning (emredl)モデルを提案する。
この枠組みは, 周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化しており, 従来の構造MRIによる治療目標と腫瘍の負担評価に重要な課題となっている。
生理学的MRIは腫瘍浸潤に関するより具体的な情報を提供することができるが、比較的低解像度は正確な完全なアノテーションを妨げている。
これによって我々は,部分的なラベル付き腫瘍領域を利用した弱教師付き深層学習ソリューションの開発に動機づけられた。
EMReDLには生理的事前予測モデルとEM正規化セグメンテーションモデルという2つのコンポーネントが含まれている。
生理学的事前予測モデルは、分類器を訓練して生理的事前マップを生成することによって、生理的MRIを利用する。
このマップはemアルゴリズムを用いて正規化のためにセグメンテーションモデルに渡された。
術前のマルチパラメトリックMRIと再発MRIを併用したグリオ芽腫データセットのモデルについて検討した。
emredlは浸潤能のある部分標識領域から浸潤性腫瘍を効果的に分離することが判明した。
病理組織学的には, 浸潤した腫瘍は, 腫瘍の負担と高い整合性を示した。
性能比較の結果,emredlは最新モデルよりも精度が高かった。
MRスペクトロスコピーでは, セグメンテーション領域は他の部分標識領域よりもアグレッシブな特徴を示した。
提案したモデルは、CNNアーキテクチャをフレームワークに柔軟に組み込んだ部分ラベル付きセグメンテーションタスクに一般化することができる。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - 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) - Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner
UNet [0.29998889086656577]
本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
論文 参考訳（メタデータ） (2024-01-12T10:46:19Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - Brain tumor multi classification and segmentation in MRI images using
deep learning [3.1248717814228923]
この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。
セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
論文 参考訳（メタデータ） (2023-04-20T01:32:55Z) - 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) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z) - 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。