論文の概要: Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain
Tumor Segmentation in MRI scans
- arxiv url: http://arxiv.org/abs/2101.12404v1
- Date: Fri, 29 Jan 2021 04:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 12:57:41.352816
- Title: Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain
Tumor Segmentation in MRI scans
- Title(参考訳): MRIにおけるマルチモーダル脳腫瘍セグメンテーションのためのマルチThreshold Attention U-Net(MTAU)モデル
- Authors: Navchetan Awasthi, Rohit Pardasani and Swati Gupta
- Abstract要約: グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。
磁気共鳴画像(MRI)における腫瘍の様々な部位の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。
提案したモデルでは, トレーニングデータセット上でそれぞれ腫瘍, 腫瘍全体, 腫瘍コアを増強するためのDice係数0.59, 0.72, 0.61が得られた。
同じモデルでは、検証データセットではDice Coefficientが0.57、0.73、0.61、テストデータセットでは0.59、0.72、0.57となっている。
- 参考スコア(独自算出の注目度): 5.586191108738564
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Gliomas are one of the most frequent brain tumors and are classified into
high grade and low grade gliomas. The segmentation of various regions such as
tumor core, enhancing tumor etc. plays an important role in determining
severity and prognosis. Here, we have developed a multi-threshold model based
on attention U-Net for identification of various regions of the tumor in
magnetic resonance imaging (MRI). We propose a multi-path segmentation and
built three separate models for the different regions of interest. The proposed
model achieved mean Dice Coefficient of 0.59, 0.72, and 0.61 for enhancing
tumor, whole tumor and tumor core respectively on the training dataset. The
same model gave mean Dice Coefficient of 0.57, 0.73, and 0.61 on the validation
dataset and 0.59, 0.72, and 0.57 on the test dataset.
- Abstract(参考訳): グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。
腫瘍中心、増強腫瘍等のようなさまざまな地域のセグメンテーション。
重症度と予後を決定する上で重要な役割を果たす。
本研究では、MRI(MRI)における腫瘍の様々な領域の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。
マルチパスセグメンテーションを提案し,関心領域の異なる3つのモデルを構築した。
提案モデルでは, 訓練データセットにおいて, 腫瘍, 全腫瘍, 腫瘍コアをそれぞれ0.59, 0.72, 0.61で向上させることができた。
同じモデルは、検証データセットでは平均サイス係数 0.57, 0.73, 0.61 であり、テストデータセットでは 0.59, 0.72, 0.57 である。
関連論文リスト
- 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) - Training and Comparison of nnU-Net and DeepMedic Methods for
Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。
小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
論文 参考訳(メタデータ) (2024-01-16T14:44:06Z) - Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。
Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
論文 参考訳(メタデータ) (2023-11-09T18:55:27Z) - Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data [0.0]
3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。
その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。
これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
論文 参考訳(メタデータ) (2023-08-14T15:34:22Z) - Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。
このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文 参考訳(メタデータ) (2023-02-11T04:30:40Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - 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) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳(メタデータ) (2020-12-30T20:44:55Z) - Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning [3.2803205051531235]
我々は,腫瘍を2段階のプロセスで分割する u-net モデルを用いたカスケードアーキテクチャを提案する。
腫瘍、空洞および浮腫のセグメント化(単一のクラスとして)は76.7 $pm$ 1.5%のダイススコアに達し、腫瘍のセグメント化は単独で61.8 $pm$ 4.0%のダイススコアに達した。
論文 参考訳(メタデータ) (2020-12-23T17:31:08Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳(メタデータ) (2020-10-30T14:36:10Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。