論文の概要: CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention
Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor
Segmentation
- arxiv url: http://arxiv.org/abs/2107.04099v1
- Date: Thu, 8 Jul 2021 20:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 03:34:38.465203
- Title: CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention
Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor
Segmentation
- Title(参考訳): caspianet++ : 多次元チャネル空間的非対称アテンションネットワーク : 脳腫瘍セグメンテーションのための学生カリキュラム学習パラダイム
- Authors: Andrea Liew, Chun Cheng Lee, Boon Leong Lan, Maxine Tan
- Abstract要約: 腫瘍の固有の構造を活用して唾液腺領域を検出することで,チャネルと空間的不斉注意(CASPIAN)を導入する。
また,セマンティックセグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入について検討する。
CASPIANET++は、Dice Scoresが91.19%、腫瘍コアが87.6%、腫瘍が81.03%である。
- 参考スコア(独自算出の注目度): 0.10195618602298678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) have been used quite successfully for
semantic segmentation of brain tumors. However, current CNNs and attention
mechanisms are stochastic in nature and neglect the morphological indicators
used by radiologists to manually annotate regions of interest. In this paper,
we introduce a channel and spatial wise asymmetric attention (CASPIAN) by
leveraging the inherent structure of tumors to detect regions of saliency. To
demonstrate the efficacy of our proposed layer, we integrate this into a
well-established convolutional neural network (CNN) architecture to achieve
higher Dice scores, with less GPU resources. Also, we investigate the inclusion
of auxiliary multiscale and multiplanar attention branches to increase the
spatial context crucial in semantic segmentation tasks. The resulting
architecture is the new CASPIANET++, which achieves Dice Scores of 91.19% whole
tumor, 87.6% for tumor core and 81.03% for enhancing tumor. Furthermore, driven
by the scarcity of brain tumor data, we investigate the Noisy Student method
for segmentation tasks. Our new Noisy Student Curriculum Learning paradigm,
which infuses noise incrementally to increase the complexity of the training
images exposed to the network, further boosts the enhancing tumor region to
81.53%. Additional validation performed on the BraTS2020 data shows that the
Noisy Student Curriculum Learning method works well without any additional
training or finetuning.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は、脳腫瘍のセグメンテーションに非常にうまく使われている。
しかし、現在のcnnと注意機構は自然に確率的であり、放射線科医が興味のある領域を手動で注釈付けるために使用する形態学的指標を無視している。
本稿では,腫瘍の固有構造を利用して塩分領域を検出することで,チャネルと空間的賢明な非対称注意(caspian)を提案する。
提案するレイヤの有効性を示すために,我々は,より少ないgpuリソースで高いdiceスコアを達成するために,確立された畳み込みニューラルネットワーク(cnn)アーキテクチャに統合する。
また,意味的セグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入を検討する。
その結果得られたアーキテクチャは新しいcaspianet++であり、91.19%の全腫瘍、87.6%の腫瘍コア、871.03%の腫瘍増強が達成された。
さらに,脳腫瘍データ不足を契機に,分割作業におけるノイズ学生法について検討した。
ネットワークに露出するトレーニング画像の複雑さを増すため,ノイズを段階的に注入する新しいノイズ学生カリキュラム学習パラダイムにより,腫瘍領域が81.53%に増大する。
BraTS2020データで行った追加の検証は、ノイズの多い学生カリキュラム学習法が追加のトレーニングや微調整なしでうまく機能していることを示している。
関連論文リスト
- Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-05-22T02:46:26Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。
このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文 参考訳(メタデータ) (2023-02-11T04:30:40Z) - 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) - 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) - Non Parametric Data Augmentations Improve Deep-Learning based Brain
Tumor Segmentation [0.0]
混合構造正規化(MSR)とシャッフルピクセルノイズ(SPN)の2つの非パラメトリックなデータ拡張法を紹介した。
MSRとSPNはパラメトリックガウス雑音増大と比較してnnU-Netセグメンテーション精度を向上する。
提案されたMSRとSPNの強化は、他のタスクでもニューラルネットの性能を向上させる可能性がある。
論文 参考訳(メタデータ) (2021-11-25T09:58:32Z) - 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) - Enhancing MRI Brain Tumor Segmentation with an Additional Classification
Network [0.0]
そこで本研究では,ネットワークに新たな分類分岐を追加することにより,セグメンテーション結果を向上する新たなトレーニング手法を提案する。
ネットワーク全体が、Multimodal Brain tumor Challenge (BraTS) 2020トレーニングデータセットでエンドツーエンドにトレーニングされた。
論文 参考訳(メタデータ) (2020-09-25T10:05:12Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳(メタデータ) (2020-02-26T14:10:40Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。