論文の概要: MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification

• arxiv url: http://arxiv.org/abs/2107.12321v1
• Date: Mon, 26 Jul 2021 16:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 18:04:39.545584
• Title: MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification
• Title（参考訳）: MAG-Net:Mutli-task attention guideed network for brain tumor segmentation and classification
• Authors: Sachin Gupta, Narinder Singh Punn, Sanjay Kumar Sonbhadra, Sonali Agarwal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumor is the most common and deadliest disease that can be found in all age groups. Generally, MRI modality is adopted for identifying and diagnosing tumors by the radiologists. The correct identification of tumor regions and its type can aid to diagnose tumors with the followup treatment plans. However, for any radiologist analysing such scans is a complex and time-consuming task. Motivated by the deep learning based computer-aided-diagnosis systems, this paper proposes multi-task attention guided encoder-decoder network (MAG-Net) to classify and segment the brain tumor regions using MRI images. The MAG-Net is trained and evaluated on the Figshare dataset that includes coronal, axial, and sagittal views with 3 types of tumors meningioma, glioma, and pituitary tumor. With exhaustive experimental trials the model achieved promising results as compared to existing state-of-the-art models, while having least number of training parameters among other state-of-the-art models.
• Abstract（参考訳）: 脳腫瘍は、すべての年齢層で見られる最も一般的で致命的な疾患である。 一般的に、MRIは放射線医による腫瘍の同定と診断に用いられている。 腫瘍領域とそのタイプを正しく同定することは、フォローアップ治療計画による腫瘍の診断に役立つ。 しかし、そのようなスキャンを分析する放射線科医にとっては、複雑で時間のかかる作業である。 深層学習に基づくコンピュータ支援診断システムにより,MRI画像を用いて脳腫瘍領域を分類・分類するための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。 The MAG-Net is trained and evaluation on the Figshare dataset that includes coronal, axial, and sagittal view with three type of tumors meningioma, glioma, pituitary tumor。 徹底的な実験により、既存の最先端モデルと比較して有望な結果が得られ、他の最先端モデルではトレーニングパラメータが最小となった。

関連論文リスト

• Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
  脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。 医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。 本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
  論文  参考訳（メタデータ） (2024-07-15T11:30:40Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for Multimodal Medical Diagnosis [59.35504779947686]
  GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。 評価対象は17の人体システムである。 GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。 疾患の診断と包括的報告作成において重大な課題に直面している。
  論文  参考訳（メタデータ） (2023-10-15T18:32:27Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Brain tumor multi classification and segmentation in MRI images using deep learning [3.1248717814228923]
  この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。 セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
  論文  参考訳（メタデータ） (2023-04-20T01:32:55Z)
• Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation [12.256043883052506]
  MRI画像における脳腫瘍解析は、誤診が死につながる可能性があるため、重要かつ困難な問題である。 本稿では、MRI画像の強調と腫瘍領域の検出を含むフレームワークを用いて、MRI画像中の脳腫瘍を同時にセグメント化、分類するアプローチを提案する。 主観的および客観的な結果は,評価指標に基づくセグメンテーションと分類結果は,最先端技術に比較してよいか,あるいは同等であることを示している。
  論文  参考訳（メタデータ） (2021-12-28T22:49:44Z)
• 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)
• 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework [3.0261170901794308]
  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。
  論文  参考訳（メタデータ） (2021-07-26T09:04:59Z)
• 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)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。