論文の概要: A Systematic Approach for MRI Brain Tumor Localization, and Segmentation
using Deep Learning and Active Contouring
- arxiv url: http://arxiv.org/abs/2102.03532v1
- Date: Sat, 6 Feb 2021 07:53:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:58:32.355714
- Title: A Systematic Approach for MRI Brain Tumor Localization, and Segmentation
using Deep Learning and Active Contouring
- Title（参考訳）: 深層学習とアクティブ・コントゥーリングによるMRI脳腫瘍の局在とセグメンテーションの体系的アプローチ
- Authors: Shanaka Ramesh Gunasekara and H.N.T.K.Kaldera and Maheshi B.
Dissanayake
- Abstract要約: 腫瘍境界のアノテーションとセグメンテーションのための3倍のディープラーニングアーキテクチャを提案する。
Chan-Vesesegmentationアルゴリズムを用いて, セグメンテーションプロセスの腫瘍境界を検出する。
グリオーマと髄膜腫のセグメンテーションにおける提案アーキテクチャの全体的な性能は平均的なサイススコア0.92である。
- 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: One of the main requirements of tumor extraction is the annotation and
segmentation of tumor boundaries correctly. For this purpose, we present a
threefold deep learning architecture. First classifiers are implemented with a
deep convolutional neural network(CNN) andsecond a region-based convolutional
neural network (R-CNN) is performed on the classified images to localize the
tumor regions of interest. As the third and final stage, the concentratedtumor
boundary is contoured for the segmentation process by using the
Chan-Vesesegmentation algorithm. As the typical edge detection algorithms based
on gradients of pixel intensity tend to fail in the medical image segmentation
process, an active contour algorithm defined with the level set function is
proposed. Specifically, Chan- Vese algorithm was applied to detect the tumor
boundaries for the segmentation process. To evaluate the performance of the
overall system, Dice Score,Rand Index (RI), Variation of Information (VOI),
Global Consistency Error (GCE), Boundary Displacement Error (BDE), Mean
absolute error (MAE), and Peak Signal to Noise Ratio (PSNR) werecalculated by
comparing the segmented boundary area which is the final output of the
proposed, against the demarcations of the subject specialists which is the gold
standard. Overall performance of the proposed architecture for both glioma and
meningioma segmentation is with average dice score of 0.92, (also, with RI of
0.9936, VOI of 0.0301, GCE of 0.004, BDE of 2.099, PSNR of 77.076 and MAE of
52.946), pointing to high reliability of the proposed architecture.
- Abstract（参考訳）: 腫瘍抽出の主な要件の1つは、腫瘍境界のアノテーションと分割を正しく行うことです。
この目的のために、我々は3つの深層学習アーキテクチャを提示する。
第1の分類器は、深い畳み込みニューラルネットワーク(CNN)と第2の領域ベースの畳み込みニューラルネットワーク(R-CNN)で実装され、興味のある腫瘍領域を局在化させる。
第3段階および最終段階として、チャン・ヴェセグメンテーションアルゴリズムを用いて、集中腫瘍境界をセグメンテーションプロセスに輪郭付ける。
医用画像分割処理において, 画素強度の勾配に基づくエッジ検出アルゴリズムは失敗する傾向にあり, レベルセット関数で定義されるアクティブ輪郭アルゴリズムが提案されている。
具体的には,Chan-Veseアルゴリズムを用いて,セグメンテーションプロセスの腫瘍境界を検出する。
全体システムの性能を評価するために, ダイススコア, ランドインデックス (RI), 情報のばらつき (VOI), グローバル一貫性誤差 (GCE), 境界変位誤差 (BDE), 平均絶対誤差 (MAE), ピーク信号対ノイズ比 (PSNR) を, 提案された最終出力であるセグメント境界領域と, 金標準である主題スペシャリストの境界値を比較して計算した。
グリオーマと髄膜腫の両方に対する提案されたアーキテクチャの全体的な性能は平均0.92(RIは0.9936、VOIは0.0301、GCEは0.004、BDEは2.099、PSNRは77.076、MAEは52.946)であり、提案されたアーキテクチャの高い信頼性を示している。
関連論文リスト
- 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) - Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores [1.0499611180329804]
目的は前立腺がんの検出と診断のワークフローを改善することである。
最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
論文 参考訳（メタデータ） (2023-08-09T01:38:58Z) - 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。
MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。
実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
論文 参考訳（メタデータ） (2023-02-24T10:52:08Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - 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) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Unsupervised Region-based Anomaly Detection in Brain MRI with
Adversarial Image Inpainting [4.019851137611981]
本稿では,T1強調MRIのための完全自動非教師付き印字型脳腫瘍分割システムを提案する。
まず、Deep Convolutional Neural Network(DCNN)をトレーニングし、行方不明の健常な脳の領域を再構築する。
提案システムでは, 種々の腫瘍と抽象腫瘍を分離し, 平均偏差Diceスコアが0.176, 0.771, 標準偏差Diceスコアが得られた。
論文 参考訳（メタデータ） (2020-10-05T12:13:44Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。