論文の概要: 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework
- arxiv url: http://arxiv.org/abs/2107.12046v1
- Date: Mon, 26 Jul 2021 09:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 16:27:17.447726
- Title: 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework
- Title（参考訳）: 3D AGSE-VNet: 自動脳腫瘍MRIデータセグメンテーションフレームワーク
- Authors: Xi Guan, Guang Yang, Jianming Ye, Weiji Yang, Xiaomei Xu, Weiwei
Jiang, Xiaobo Lai
- Abstract要約: グリオーマは最も一般的な脳悪性腫瘍であり、高い死亡率と3%以上の死亡率を有する。
このクリニックで脳腫瘍を取得する主要な方法は、マルチモーダルMRIスキャン画像から脳腫瘍領域のMRIである。
我々はAGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.0261170901794308
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Glioma is the most common brain malignant tumor, with a high
morbidity rate and a mortality rate of more than three percent, which seriously
endangers human health. The main method of acquiring brain tumors in the clinic
is MRI. Segmentation of brain tumor regions from multi-modal MRI scan images is
helpful for treatment inspection, post-diagnosis monitoring, and effect
evaluation of patients. However, the common operation in clinical brain tumor
segmentation is still manual segmentation, lead to its time-consuming and large
performance difference between different operators, a consistent and accurate
automatic segmentation method is urgently needed. Methods: To meet the above
challenges, we propose an automatic brain tumor MRI data segmentation framework
which is called AGSE-VNet. In our study, the Squeeze and Excite (SE) module is
added to each encoder, the Attention Guide Filter (AG) module is added to each
decoder, using the channel relationship to automatically enhance the useful
information in the channel to suppress the useless information, and use the
attention mechanism to guide the edge information and remove the influence of
irrelevant information such as noise. Results: We used the BraTS2020 challenge
online verification tool to evaluate our approach. The focus of verification is
that the Dice scores of the whole tumor (WT), tumor core (TC) and enhanced
tumor (ET) are 0.68, 0.85 and 0.70, respectively. Conclusion: Although MRI
images have different intensities, AGSE-VNet is not affected by the size of the
tumor, and can more accurately extract the features of the three regions, it
has achieved impressive results and made outstanding contributions to the
clinical diagnosis and treatment of brain tumor patients.
- Abstract（参考訳）: 背景:グリオーマは最も一般的な脳悪性腫瘍であり、致死率が高く3%以上の死亡率があり、人間の健康を危険にさらす。
臨床で脳腫瘍を取得する主要な方法はMRIである。
多モードMRI画像からの脳腫瘍領域の分離は、治療検査、診断後のモニタリング、患者の効果評価に有用である。
しかし, 臨床脳腫瘍セグメンテーションにおける一般的な手術は手動セグメンテーションであり, 術者間での時間と性能の差が大きいため, 一貫した正確な自動セグメンテーション法が急務である。
方法: 以上の課題を満たすため,AGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
本研究では,各エンコーダにswed and excite(se)モジュールを付加し,各デコーダにアテンションガイドフィルタ(ag)モジュールを付加し,チャネル関係を利用してチャネル内の有用な情報を自動的に強化し,無駄な情報を抑制するとともに,アテンション機構を用いてエッジ情報をガイドし,ノイズ等の無関係な情報の影響を除去した。
結果:brats2020チャレンジオンライン検証ツールを用いてアプローチを評価した。
検証の焦点は、腫瘍全体のDiceスコア(WT)、腫瘍コア(TC)、造影腫瘍(ET)はそれぞれ0.68、0.85、0.70である。
結語:MRI画像は強度が異なるが,AGSE-VNetは腫瘍の大きさの影響を受けず,より正確に3つの領域の特徴を抽出することができる。
関連論文リスト
- Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - 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) - 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) - 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) - 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) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳（メタデータ） (2021-07-26T16:51:00Z) - QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。
私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
論文 参考訳（メタデータ） (2020-12-22T23:16:43Z) - Automatic Brain Tumor Segmentation with Scale Attention Network [1.7767466724342065]
マルチモーダル脳腫瘍チャレンジ2020(BraTS 2020)は、マルチパラメトリック磁気共鳴イメージング(mpMRI)で異なる自動アルゴリズムを比較する共通のプラットフォームを提供する
本稿では,異なるスケールで特徴写像から高レベルな意味論を取り入れた,低レベルな細部を取り入れた動的スケールアテンション機構を提案する。
術式はBraTS 2020で提供した369症例を用いて訓練し, 平均Dice similarity Coefficient (DSC) は0.8828, 0.8433, 0.8177, Hausdorff は95%, 5.2176, 17.9697, 13.4298 であった。
論文 参考訳（メタデータ） (2020-11-06T04:45:49Z)
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。