論文の概要: DINs: Deep Interactive Networks for Neurofibroma Segmentation in
Neurofibromatosis Type 1 on Whole-Body MRI
- arxiv url: http://arxiv.org/abs/2106.03388v1
- Date: Mon, 7 Jun 2021 07:29:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:02:27.185783
- Title: DINs: Deep Interactive Networks for Neurofibroma Segmentation in
Neurofibromatosis Type 1 on Whole-Body MRI
- Title（参考訳）: dins : 全身mriを用いた神経線維腫1型の神経線維腫分割のための深層ネットワーク
- Authors: Jian-Wei Zhang, Wei Chen, K. Ina Ly, Xubin Zhang, Fan Yan, Justin
Jordan, Gordon Harris, Scott Plotkin, Pengyi Hao, and Wenli Cai
- Abstract要約: 自動畳み込みニューラルネットワーク(CNN)の限界に対処するディープ・インタラクティブ・ネットワーク(DIN)を提案する。
本稿では,ユーザインタラクションを空間的・外見的なガイドマップに変換する簡易かつ効果的なExpDT(Exponential Distance Transform)を提案する。
実験の結果,DSCの44%と14%の大幅な改善が得られた。
- 参考スコア（独自算出の注目度）: 7.760497213052019
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neurofibromatosis type 1 (NF1) is an autosomal dominant tumor predisposition
syndrome that involves the central and peripheral nervous systems. Accurate
detection and segmentation of neurofibromas are essential for assessing tumor
burden and longitudinal tumor size changes. Automatic convolutional neural
networks (CNNs) are sensitive and vulnerable as tumors' variable anatomical
location and heterogeneous appearance on MRI. In this study, we propose deep
interactive networks (DINs) to address the above limitations. User interactions
guide the model to recognize complicated tumors and quickly adapt to
heterogeneous tumors. We introduce a simple but effective Exponential Distance
Transform (ExpDT) that converts user interactions into guide maps regarded as
the spatial and appearance prior. Comparing with popular Euclidean and geodesic
distances, ExpDT is more robust to various image sizes, which reserves the
distribution of interactive inputs. Furthermore, to enhance the tumor-related
features, we design a deep interactive module to propagate the guides into
deeper layers. We train and evaluate DINs on three MRI data sets from NF1
patients. The experiment results yield significant improvements of 44% and 14%
in DSC comparing with automated and other interactive methods, respectively. We
also experimentally demonstrate the efficiency of DINs in reducing user burden
when comparing with conventional interactive methods. The source code of our
method is available at \url{https://github.com/Jarvis73/DINs}.
- Abstract（参考訳）: 神経線維腫症1型(英: Neurofibromatosis type 1, NF1)は、中枢神経系と末梢神経系を含む常染色体優性腫瘍の前置症候群である。
神経線維腫の正確な検出とセグメンテーションは,腫瘍の負担と縦断的な腫瘍の大きさの変化を評価する上で重要である。
自動畳み込みニューラルネットワーク(cnns)は腫瘍の可変解剖学的位置やmri上の異種な外観として敏感で脆弱である。
本研究では,上記の制約に対処するために,深層インタラクティブネットワーク(dins)を提案する。
ユーザインタラクションは、複雑な腫瘍を認識し、異種腫瘍に迅速に適応するようにモデルを導く。
本稿では,ユーザインタラクションを空間的・外見的なガイドマップに変換する簡易かつ効果的なExpDT(Exponential Distance Transform)を提案する。
一般的なユークリッド距離や測地距離と比較して、ExpDTは様々な画像サイズに対してより堅牢であり、インタラクティブな入力の分布を保っている。
さらに,腫瘍関連機能を強化するため,ガイドをより深い層に伝播する深いインタラクティブモジュールを設計した。
NF1患者の3つのMRIデータセットからDINを訓練し,評価した。
実験の結果,dscでは44%,dscでは14%の大幅な改善が得られた。
また,従来の対話型手法と比較して,ユーザの負担を軽減するためのDINの効率を実験的に実証した。
我々のメソッドのソースコードは \url{https://github.com/Jarvis73/DINs} で入手できる。
関連論文リスト
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-02T06:39:08Z) - FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and
adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。
我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文 参考訳（メタデータ） (2023-08-24T12:26:38Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - 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) - Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。
本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
論文 参考訳（メタデータ） (2022-03-21T10:20:04Z) - A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor
Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案
第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。
第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文 参考訳（メタデータ） (2022-01-14T10:24:47Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Feature-enhanced Generation and Multi-modality Fusion based Deep Neural
Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。
今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。
提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文 参考訳（メタデータ） (2021-11-08T10:59:40Z) - 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) - Diffusion-Weighted Magnetic Resonance Brain Images Generation with
Generative Adversarial Networks and Variational Autoencoders: A Comparison
Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。
Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文 参考訳（メタデータ） (2020-06-24T18:00:01Z)
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。