Fugu-MT 論文翻訳(概要): Brain tumour segmentation using a triplanar ensemble of U-Nets

論文の概要: Brain tumour segmentation using a triplanar ensemble of U-Nets

arxiv url: http://arxiv.org/abs/2105.11356v1
Date: Mon, 24 May 2021 15:39:06 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 18:39:30.940701
Title: Brain tumour segmentation using a triplanar ensemble of U-Nets
Title（参考訳）: U-Netのトリラナーアンサンブルを用いた脳腫瘍切除
Authors: Vaanathi Sundaresan, Ludovica Griffanti, Mark Jenkinson
Abstract要約: そこで本稿では,正確な腫瘍セグメンテーションを行うために,独立した腫瘍コア予測モジュールを備えたトリラナーアンサンブルネットワークを提案する。 MICCAI Brain tumor (BraTS) Challenge Validation データセットの評価において,腫瘍(ET)および腫瘍コア(TC)を増強するためのDice係数0.77を達成した。提案手法はBraTS'20チャレンジにおいて, ET, WT, TC領域で平均Dice値0.81, 0.89, 0.84の5番目に高い値(第10位)であった。
参考スコア（独自算出の注目度）: 0.4125187280299248
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gliomas appear with wide variation in their characteristics both in terms of their appearance and location on brain MR images, which makes robust tumour segmentation highly challenging, and leads to high inter-rater variability even in manual segmentations. In this work, we propose a triplanar ensemble network, with an independent tumour core prediction module, for accurate segmentation of these tumours and their sub-regions. On evaluating our method on the MICCAI Brain Tumor Segmentation (BraTS) challenge validation dataset, for tumour sub-regions, we achieved a Dice similarity coefficient of 0.77 for both enhancing tumour (ET) and tumour core (TC). In the case of the whole tumour (WT) region, we achieved a Dice value of 0.89, which is on par with the top-ranking methods from BraTS'17-19. Our method achieved an evaluation score that was the equal 5th highest value (with our method ranking in 10th place) in the BraTS'20 challenge, with mean Dice values of 0.81, 0.89 and 0.84 on ET, WT and TC regions respectively on the BraTS'20 unseen test dataset.
Abstract（参考訳）: グリオーマは、その外観と脳MR画像上の位置の両方において、その特徴に大きく変化しており、堅牢な腫瘍の分節は非常に困難であり、手動の分節においても高いレーザー間変動をもたらす。本研究では,これらの腫瘍とそのサブ領域の正確なセグメンテーションのために,独立した腫瘍コア予測モジュールを備えたトリプラナーアンサンブルネットワークを提案する。腫瘍部分領域に対するmiccai brain tumor segmentation (brats) challenge validation datasetの評価を行った結果, 腫瘍(et)と腫瘍コア(tc)のいずれにおいても, dice類似度係数0.77を得た。全腫瘍領域 (wt) では0.89のサイス値を達成し,brats'17-19の上位の方法に匹敵する値を得た。提案手法は,BraTS'20テストデータセットにおいて,ET,WT,TCの各領域の平均Dice値は0.81,0.89,0.84であり,BraTS'20チャレンジでは5位(第10位)であった。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
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)
Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。 Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文参考訳（メタデータ） (2022-12-19T09:14:23Z)
Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
論文参考訳（メタデータ） (2022-09-16T03:55:48Z)
HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
我々は,HNF-NetをHNF-Netv2に拡張する。我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
論文参考訳（メタデータ） (2022-02-10T06:34:32Z)
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)
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)
Vox2Vox: 3D-GAN for Brain Tumour Segmentation [0.0]
脳腫瘍の分節化のための3Dボリューム・ツー・ボリューム・ジェネレーティブ・アドリアネットワークを提案する。 Vox2VoxはマルチチャネルMR画像からリアルなセグメンテーション出力を生成する。
論文参考訳（メタデータ） (2020-03-19T18:57:08Z)

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。