論文の概要: Classification of Brain Tumours in MR Images using Deep Spatiospatial Models

• arxiv url: http://arxiv.org/abs/2105.14071v1
• Date: Fri, 28 May 2021 19:27:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:28:40.152744
• Title: Classification of Brain Tumours in MR Images using Deep Spatiospatial Models
• Title（参考訳）: 深部空間モデルを用いたMR画像における脳腫瘍の分類
• Authors: Soumick Chatterjee, Faraz Ahmed Nizamani, Andreas N\"urnberger and Oliver Speck
• Abstract要約: 本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A brain tumour is a mass or cluster of abnormal cells in the brain, which has the possibility of becoming life-threatening because of its ability to invade neighbouring tissues and also form metastases. An accurate diagnosis is essential for successful treatment planning and magnetic resonance imaging is the principal imaging modality for diagnostic of brain tumours and their extent. Deep Learning methods in computer vision applications have shown significant improvement in recent years, most of which can be credited to the fact that a sizeable amount of data is available to train models on, and the improvements in the model architectures yielding better approximations in a supervised setting. Classifying tumours using such deep learning methods has made significant progress with the availability of open datasets with reliable annotations. Typically those methods are either 3D models, which use 3D volumetric MRIs or even 2D models considering each slice separately. However, by treating the slice spatial dimension separately, spatiotemporal models can be employed as spatiospatial models for this task. These models have the capabilities of learning specific spatial and temporal relationship, while reducing computational costs. This paper uses two spatiotemporal models, ResNet (2+1)D and ResNet Mixed Convolution, to classify different types of brain tumours. It was observed that both these models performed superior to the pure 3D convolutional model, ResNet18. Furthermore, it was also observed that pre-training the models on a different, even unrelated dataset before training them for the task of tumour classification improves the performance. Finally, Pre-trained ResNet Mixed Convolution was observed to be the best model in these experiments, achieving a macro F1-score of 0.93 and a test accuracy of 96.98\%, while at the same time being the model with the least computational cost.
• Abstract（参考訳）: 脳腫瘍は脳内の異常な細胞の塊または集合体であり、近隣の組織に侵入し転移を形成できるため、生命を脅かす可能性がある。 正確な診断は治療計画の成功に不可欠であり、磁気共鳴イメージングは脳腫瘍の診断における主要な画像モダリティである。 コンピュータビジョンアプリケーションにおけるディープラーニングの手法は、近年大きく改善されており、そのほとんどは、モデルのトレーニングに大量のデータが利用できるという事実と、教師あり設定でより良い近似をもたらすモデルアーキテクチャの改善によるものである。 このようなディープラーニング手法による腫瘍の分類は、信頼できるアノテーションを備えたオープンデータセットが利用可能になったことで大きな進歩を遂げている。 通常、これらの手法は3次元のボリュームMRIを使用する3Dモデルか、あるいはそれぞれのスライスを別々に検討する2Dモデルである。 しかし,スライス空間次元を別々に扱うことで,空間空間モデルとして時空間モデルを用いることができる。 これらのモデルには、計算コストを削減しつつ、特定の空間的および時間的関係を学習する能力がある。 本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時空間モデルを用いて、異なる種類の脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。 さらに,腫瘍分類の課題を訓練する前に,異なる,あるいは無関係なデータセット上でモデルを事前トレーニングすることで,パフォーマンスが向上するのが観察された。 最後に、事前訓練された ResNet Mixed Convolution がこれらの実験で最良のモデルであることが観察され、マクロF1スコアが0.93、テスト精度が96.98\%となり、同時に計算コストが最小のモデルとなった。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Latent 3D Brain MRI Counterfactual [25.598362396064367]
  潜在空間内に構造因果モデル(Structure Causal Model, SCM)を構築するための2段階手法を提案する。 第一段階では、VQ-VAEを用いてMRIボリュームのコンパクトな埋め込みを学習する。 その後、この潜在空間に因果モデルを統合するとともに、3段階の対応手順を実行する。
  論文  参考訳（メタデータ） (2024-09-09T13:15:03Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)
• A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
  本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。 提案フレームワークは、全体的な検出精度96.88%を取得する。 提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
  論文  参考訳（メタデータ） (2022-02-20T16:14:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Transfer Learning Enhanced Generative Adversarial Networks for Multi-Channel MRI Reconstruction [3.5765797841178597]
  深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。 k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。 本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
  論文  参考訳（メタデータ） (2021-05-17T21:28:00Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• 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)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。