論文の概要: Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2108.06772v1
• Date: Sun, 15 Aug 2021 16:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 15:22:37.105784
• Title: Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation
• Title（参考訳）: 脳腫瘍分離のためのDilated Inception U-Net (DIU-Net)
• Authors: Daniel E. Cahall, Ghulam Rasool, Nidhal C. Bouaynaya and Hassan M. Fathallah-Shaykh
• Abstract要約: U-Netに基づく新しいエンド・ツー・エンド脳腫瘍セグメンテーションアーキテクチャを提案する。 提案モデルでは, 腫瘍コアと全腫瘍セグメンテーションについて, 最先端のU-Netモデルよりも有意に優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Magnetic resonance imaging (MRI) is routinely used for brain tumor diagnosis, treatment planning, and post-treatment surveillance. Recently, various models based on deep neural networks have been proposed for the pixel-level segmentation of tumors in brain MRIs. However, the structural variations, spatial dissimilarities, and intensity inhomogeneity in MRIs make segmentation a challenging task. We propose a new end-to-end brain tumor segmentation architecture based on U-Net that integrates Inception modules and dilated convolutions into its contracting and expanding paths. This allows us to extract local structural as well as global contextual information. We performed segmentation of glioma sub-regions, including tumor core, enhancing tumor, and whole tumor using Brain Tumor Segmentation (BraTS) 2018 dataset. Our proposed model performed significantly better than the state-of-the-art U-Net-based model ($p<0.05$) for tumor core and whole tumor segmentation.
• Abstract（参考訳）: MRIは脳腫瘍の診断、治療計画、治療後の監視に日常的に用いられている。 近年,脳MRIにおける腫瘍のピクセルレベルセグメンテーションのためのディープニューラルネットワークに基づく様々なモデルが提案されている。 しかし、MRIにおける構造的変異、空間的相違、強度不均一性は、セグメント化を困難な課題にしている。 インセプションモジュールと拡張畳み込みをその収縮と伸長経路に統合した,u-netに基づく新しいエンド・ツー・エンドの脳腫瘍セグメンテーションアーキテクチャを提案する。 これにより、ローカルな構造や、グローバルなコンテキスト情報を抽出することができます。 腫瘍コア,造影腫瘍,腫瘍全体を含むグリオーマ亜領域のセグメンテーションは,Brain tumor Segmentation (BraTS) 2018データセットを用いて行った。 提案モデルは,腫瘍コアおよび全腫瘍セグメンテーションにおいて最先端のu-netベースモデル (p<0.05$) よりも有意に良好であった。

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)
• 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)
• Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet [0.29998889086656577]
  本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2024-01-12T10:46:19Z)
• 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)
• 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)
• 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)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint [19.094164029068462]
  マルチモーダルMR画像に基づいて脳腫瘍を頑健に分節する新しいマルチモーダル腫瘍セグメンテーションネットワーク(MMTSN)を開発した。 マルチモーダル脳腫瘍セグメンテーションチャレンジ2020(BraTs 2020)の試験セットについて検討した。
  論文  参考訳（メタデータ） (2020-10-29T14:51:10Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)
• 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。