論文の概要: A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors

• arxiv url: http://arxiv.org/abs/2109.14775v1
• Date: Thu, 30 Sep 2021 00:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-02 05:45:58.149821
• Title: A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors
• Title（参考訳）: 小児脳腫瘍に対する先行知識に基づく腫瘍・腫瘍亜分節分類ツール
• Authors: Silu Zhang, Angela Edwards, Shubo Wang, Zoltan Patay, Asim Bag, Matthew A. Scoggins
• Abstract要約: ディープラーニングモデルは、脳腫瘍とサブリージョンセグメンテーションタスクにおいて優れたパフォーマンスを示している。 成人のグリオーマと外見が異なるため,小児腫瘍の分節はいまだに困難である。 データから学ぶのではなく、知識に基づいて脳腫瘍のセグメンテーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.24466725954625884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past few years, deep learning (DL) models have drawn great attention and shown superior performance on brain tumor and subregion segmentation tasks. However, the success is limited to segmentation of adult gliomas, where sufficient data have been collected, manually labeled, and published for training DL models. It is still challenging to segment pediatric tumors, because the appearances are different from adult gliomas. Hence, directly applying a pretained DL model on pediatric data usually generates unacceptable results. Because pediatric data is very limited, both labeled and unlabeled, we present a brain tumor segmentation model that is based on knowledge rather than learning from data. We also provide segmentation of more subregions for super heterogeneous tumor like atypical teratoid rhabdoid tumor (ATRT). Our proposed approach showed superior performance on both whole tumor and subregion segmentation tasks to DL based models on our pediatric data when training data is not available for transfer learning.
• Abstract（参考訳）: 近年,深層学習(DL)モデルが注目され,脳腫瘍やサブリージョンセグメンテーションに優れた性能を示した。 しかし、この成功は、十分なデータが収集され、手動でラベル付けされ、DLモデルのトレーニングのために公開された成人グリオーマのセグメンテーションに限られる。 成人グリオーマとは外観が異なるため,小児腫瘍の分節は依然として困難である。 したがって、保持されたDLモデルを小児データに直接適用すると、通常は受け入れられない結果が生成される。 小児データはラベル付きとラベルなしの両方で非常に限られているため、データから学ぶのではなく、知識に基づく脳腫瘍の分節モデルを提案する。 また,非定型テラトイド・ラビド腫瘍(ATRT)のような超異種腫瘍に対して,より多くの亜領域の分節も提供した。 提案手法は, 移行学習においてトレーニングデータが利用できない場合に, 小児データに基づくDLモデルに対して, 腫瘍全体とサブリージョンセグメンテーションタスクの両方で優れた性能を示した。

関連論文リスト

• 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)
• Integrating Edges into U-Net Models with Explainable Activation Maps for Brain Tumor Segmentation using MR Images [1.223779595809275]
  医用画像のセマンティックセグメンテーションのためのU-Netとその変種は,本研究で良好な成果を上げている。 腫瘍の縁は、正確な診断、外科的精度、治療計画のための腫瘍領域と同じくらい重要である。 U-NetやV-Netのようなベースラインモデルでトレーニングされたエッジトレーニングモデルの性能は、ベースライン・オブ・ザ・アートモデルと同様のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-01-02T17:30:45Z)
• Unsupervised Brain Tumor Segmentation with Image-based Prompts [12.525656002678856]
  我々は,脳腫瘍の診断を可能にする画像ベースのプロンプトを設計し,教師なし脳腫瘍セグメンテーションへのアプローチを提案する。 大量の注釈付きデータで脳腫瘍セグメンテーションのモデルを直接訓練する代わりに、私たちは質問に答えられるモデルをトレーニングしようとしています。 手作りのデザインは、あらゆる種類の実際の腫瘍を表現するには単純すぎるため、訓練されたモデルは、実際には異常の問題に答えるのではなく、単純化された手作りのタスクに過度に適合する可能性がある。
  論文  参考訳（メタデータ） (2023-04-04T02:28:25Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
  本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。 また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
  論文  参考訳（メタデータ） (2022-11-09T14:52:36Z)
• 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)
• Improving the Segmentation of Pediatric Low-Grade Gliomas through Multitask Learning [0.1199955563466263]
  低次グリオーマ(pLGGs)を有する小児患者のMRI(MRI)を訓練したセグメンテーションモデルを開発した。 提案モデルは,腫瘍の遺伝的変異分類器をメインネットワークに補助的タスクとして付加することにより,深層マルチタスク学習(dMTL)を利用する。
  論文  参考訳（メタデータ） (2021-11-29T21:12:47Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• 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)
• 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。