論文の概要: Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet
- arxiv url: http://arxiv.org/abs/2104.00985v1
- Date: Fri, 2 Apr 2021 11:04:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 13:41:20.924109
- Title: Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet
- Title（参考訳）: 3次元注意UNetを用いた脳腫瘍の切除と生存予測
- Authors: Mobarakol Islam, Vibashan VS, V Jeya Maria Jose, Navodini Wijethilake,
Uppal Utkarsh, Hongliang Ren
- Abstract要約: MRI(Magic Resonance Images)から脳腫瘍を分節するための注目畳み込みニューラルネットワーク(CNN)を開発する。
各種機械学習手法を用いて生存率を予測する。
生存予測のために, 腫瘍の形状, 形状, 形状に基づく新しい放射線学的特徴を抽出し, 臨床情報と組み合わせて各患者の生存期間を推定した。
- 参考スコア（独自算出の注目度）: 11.961432794560103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we develop an attention convolutional neural network (CNN) to
segment brain tumors from Magnetic Resonance Images (MRI). Further, we predict
the survival rate using various machine learning methods. We adopt a 3D UNet
architecture and integrate channel and spatial attention with the decoder
network to perform segmentation. For survival prediction, we extract some novel
radiomic features based on geometry, location, the shape of the segmented tumor
and combine them with clinical information to estimate the survival duration
for each patient. We also perform extensive experiments to show the effect of
each feature for overall survival (OS) prediction. The experimental results
infer that radiomic features such as histogram, location, and shape of the
necrosis region and clinical features like age are the most critical parameters
to estimate the OS.
- Abstract（参考訳）: 本研究では,磁気共鳴画像(MRI)から脳腫瘍を抽出するための注意畳み込みニューラルネットワーク(CNN)を開発した。
さらに,様々な機械学習手法を用いて生存率を予測する。
我々は3次元unetアーキテクチャを採用し、チャネルと空間の注意をデコーダネットワークと統合してセグメンテーションを行う。
生存予測のために, 腫瘍の形状, 形状, 形状に基づく新しい放射線学的特徴を抽出し, 臨床情報と組み合わせて各患者の生存期間を推定した。
また,全生存率 (os) 予測における各特徴の効果を示す実験を行った。
実験結果から, 組織像, 位置, 壊死領域の形状などの放射線学的特徴と年齢などの臨床的特徴がOSの推定に最も重要なパラメータであると考えられた。
関連論文リスト
- Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - 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) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - 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) - Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep
Anchor Attention Learning with Vision Transformer [4.630654643366308]
画像ベース脳腫瘍予測モデルによるMRIによるX線学的表現型の定量化
腫瘍内表現型不均一性の証拠にもかかわらず、MRIスキャンにおける異なるスライス間の空間的多様性は、そのような方法では比較的研究されていない。
本稿では,脳腫瘍患者の生存リスクを予測するために,ビジョントランスフォーマを用いたディープアンカーアテンションアグリゲーション戦略を提案する。
論文 参考訳（メタデータ） (2022-02-03T21:33:08Z) - 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) - Gray Matter Segmentation in Ultra High Resolution 7 Tesla ex vivo T2w
MRI of Human Brain Hemispheres [9.196429840458629]
我々は、32個のヒト脳標本からなる高解像度7個のTeslaデータセットを提示する。
9つのニューラルネットワークアーキテクチャの皮質マントルセグメンテーション性能をベンチマークした。
異なる試料の脳半球全体、および異なる磁場強度および撮像配列で得られた見えない画像に対して、優れた汎化能力を示す。
論文 参考訳（メタデータ） (2021-10-14T21:01:18Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - MRI brain tumor segmentation and uncertainty estimation using 3D-UNet
architectures [0.0]
本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。
また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。
この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
論文 参考訳（メタデータ） (2020-12-30T19:28:53Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。