論文の概要: Classification of Hematoma: Joint Learning of Semantic Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2103.17172v1
• Date: Wed, 31 Mar 2021 15:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 19:16:34.204937
• Title: Classification of Hematoma: Joint Learning of Semantic Segmentation and Classification
• Title（参考訳）: 血腫の分類:セマンティックセグメンテーションと分類の共同学習
• Authors: Hokuto Hirano and Tsuyoshi Okita
• Abstract要約: 脳血腫は6～24時間で急速に増殖し、脳外科医が手術を行わなければ、成長の誤予測は致命的となる。 CT画像が急速な成長につながる脳血腫を含むかどうかを判断する人工知能の技術を開発しています。
• 参考スコア（独自算出の注目度）: 5.865686855404382
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cerebral hematoma grows rapidly in 6-24 hours and misprediction of the growth can be fatal if it is not operated by a brain surgeon. There are two types of cerebral hematomas: one that grows rapidly and the other that does not grow rapidly. We are developing the technique of artificial intelligence to determine whether the CT image includes the cerebral hematoma which leads to the rapid growth. This problem has various difficulties: the few positive cases in this classification problem of cerebral hematoma and the targeted hematoma has deformable object. Other difficulties include the imbalance classification, the covariate shift, the small data, and the spurious correlation problems. It is difficult with the plain CNN classification such as VGG. This paper proposes the joint learning of semantic segmentation and classification and evaluate the performance of this.
• Abstract（参考訳）: 脳血腫は6～24時間で急速に増殖し、脳外科医が手術を行わなければ、成長の誤予測は致命的となる。 脳血管腫には2種類あり、1つは急速に成長し、もう1つは急速に成長しない。 我々は,CT画像が急速に成長する脳血腫を含むかどうかを判断する人工知能技術を開発している。 この問題は、脳血腫と標的血腫の分類問題において、少数の陽性例が変形可能な対象となっているため、様々な困難がある。 その他の困難は、不均衡分類、共変量シフト、小さなデータ、スプリアス相関問題などである。 VGGのような普通のCNN分類では難しい。 本稿では,意味的セグメンテーションと分類の連成学習を提案し,その性能評価を行う。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Brain-Shift: Unsupervised Pseudo-Healthy Brain Synthesis for Novel Biomarker Extraction in Chronic Subdural Hematoma [2.1227797471108745]
  慢性硬膜下血腫(cSDH)は、脳と硬膜間血の蓄積を特徴とする一般的な神経疾患である。 伝統的に、理想的な矢状面からの専門家によって手動で測定された正中線シフトと、ヘマトマ体積が、cSDHの定量化の主要な指標となっている。 そこで本研究では,脳の変形場を生成するために,解剖学を意識した非教師付き擬似健康合成法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T13:39:55Z)
• MOAB: Multi-Modal Outer Arithmetic Block For Fusion Of Histopathological Images And Genetic Data For Brain Tumor Grading [0.0]
  脳腫瘍は、その成長に基づいて、異なるグレードに分類することができる。 グレーディングは組織像に基づいて行われ、患者の予後の最も重要な予測因子の1つである。 腫瘍の悪性度を予測するために, 異なるモードの潜在表現を組み合わせ, 算術演算に基づく新しいMOAB(Multi-modal Outer Arithmetic Block)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T00:33:28Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
  本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。 提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
  論文  参考訳（メタデータ） (2022-05-17T11:23:02Z)
• HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor Classification [3.319978067919918]
  HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。 k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
  論文  参考訳（メタデータ） (2022-01-28T17:37:15Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• 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)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
  小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。 本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。 本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
  論文  参考訳（メタデータ） (2020-05-20T06:43:41Z)

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。