Fugu-MT 論文翻訳(概要): Optimized U-Net for Brain Tumor Segmentation

論文の概要: Optimized U-Net for Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2110.03352v1
Date: Thu, 7 Oct 2021 11:44:09 GMT
ステータス: 処理完了
システム内更新日: 2021-10-09 01:38:52.376116
Title: Optimized U-Net for Brain Tumor Segmentation
Title（参考訳）: 脳腫瘍分離のための最適化U-Net
Authors: Micha{\l} Futrega, Alexandre Milesi, Michal Marcinkiewicz, Pablo Ribalta
Abstract要約: そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
参考スコア（独自算出の注目度）: 62.997667081978825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an optimized U-Net architecture for a brain \mbox{tumor} segmentation task in the BraTS21 Challenge. To find the \mbox{optimal} model architecture and learning schedule we ran an extensive ablation study to test: deep supervision loss, Focal loss, decoder attention, drop block, and residual connections. Additionally, we have searched for the optimal depth of the U-Net and number of convolutional channels. Our solution was the winner of the challenge validation phase, with the normalized statistical ranking score of 0.267 and mean Dice score of 0.8855
Abstract（参考訳）: そこで我々はBraTS21 Challengeにおいて,脳の領域分割タスクに最適化されたU-Netアーキテクチャを提案する。 \mbox{optimal}モデルアーキテクチャと学習スケジュールを見つけるために、私たちは、深い監督損失、焦点損失、デコーダの注意、ドロップブロック、残留接続など、広範なアブレーション調査を実施しました。さらに,U-Netの最適深度と畳み込みチャネル数の探索を行った。我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。

関連論文リスト

Searching for Effective Neural Network Architectures for Heart Murmur Detection from Phonocardiogram [5.183688633606942]
George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
論文参考訳（メタデータ） (2023-03-06T09:31:42Z)
Learning To Dive In Branch And Bound [95.13209326119153]
グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
論文参考訳（メタデータ） (2023-01-24T12:01:45Z)
Extending nnU-Net is all you need [2.1729722043371016]
私たちはAMOS2022チャレンジに参加するためにnnU-Netを使用します。このデータセットはこれまでに作成された中で最大規模の15のターゲット構造を持つ。最終アンサンブルは,タスク1(CT)のDiceスコア90.13とタスク2(CT+MRI)の89.06を5倍のクロスバリデーションで達成した。
論文参考訳（メタデータ） (2022-08-23T07:54:29Z)
DOGE-Train: Discrete Optimization on GPU with End-to-end Training [28.795080637690095]
0-1整数線形プログラムの緩和を解くために,高速でスケーラブルなデータ駆動型手法を提案する。グラフニューラルネットワーク(GNN)とラグランジュ分解に基づくアルゴリズムであるFastDOGを用いる。
論文参考訳（メタデータ） (2022-05-23T21:09:41Z)
HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
我々は,HNF-NetをHNF-Netv2に拡張する。我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
論文参考訳（メタデータ） (2022-02-10T06:34:32Z)
Generalized Wasserstein Dice Loss, Test-time Augmentation, and Transformers for the BraTS 2021 challenge [3.3180658085204513]
脳腫瘍のセグメンテーションは、医療画像計算において難しい課題である。本稿では,予測時間を増やすことなくモデルロバスト性を高める戦略を検討する。テストタイムの増大を伴う7つの3次元U-Netのアンサンブルにより、平均ダイススコア89.4%、平均ハウスドルフ95%距離10.0mmが得られる。
論文参考訳（メタデータ） (2021-12-24T13:01:44Z)
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)
Generalized Wasserstein Dice Score, Distributionally Robust Deep Learning, and Ranger for brain tumor segmentation: BraTS 2020 challenge [4.787559241352888]
ディープニューラルネットワークのトレーニングは、ディープニューラルネットワークの設計、サンプル単位の損失関数、人口減少関数、アーキテクチャの4つの主要な要素を持つ最適化問題である。我々は、ディープニューラルネットワークの設計にのみ焦点をあてて、反対のアプローチを採用する実験を行った。さまざまな最適化手順でトレーニングされた3つのディープニューラルネットワークのアンサンブルによって、BraTS 2020チャレンジの検証に期待できる結果が得られました。
論文参考訳（メタデータ） (2020-11-03T10:50:48Z)
Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文参考訳（メタデータ） (2020-10-30T14:36:10Z)
Efficient Optimistic Exploration in Linear-Quadratic Regulators via Lagrangian Relaxation [107.06364966905821]
線形2次レギュレータ(LQR)設定における探索・探索ジレンマについて検討した。有限 MDP に対する楽観的アルゴリズムで用いられる拡張値反復アルゴリズムに着想を得て,Oulq の楽観的最適化を緩和することを提案する。我々は、少なくとも$Obig(log (1/epsilon)big)$ Riccati方程式を解くことで、$epsilon$-OptimisticControllerを効率的に計算できることを示した。
論文参考訳（メタデータ） (2020-07-13T16:30:47Z)

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。