論文の概要: Non Parametric Data Augmentations Improve Deep-Learning based Brain
Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2111.12991v1
- Date: Thu, 25 Nov 2021 09:58:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 16:09:42.055915
- Title: Non Parametric Data Augmentations Improve Deep-Learning based Brain
Tumor Segmentation
- Title（参考訳）: 非パラメトリックデータ拡張による深層学習型脳腫瘍分離の改善
- Authors: Hadas Ben-Atya, Ori Rajchert, Liran Goshen, Moti Freiman
- Abstract要約: 混合構造正規化(MSR)とシャッフルピクセルノイズ(SPN)の2つの非パラメトリックなデータ拡張法を紹介した。
MSRとSPNはパラメトリックガウス雑音増大と比較してnnU-Netセグメンテーション精度を向上する。
提案されたMSRとSPNの強化は、他のタスクでもニューラルネットの性能を向上させる可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic brain tumor segmentation from Magnetic Resonance Imaging (MRI) data
plays an important role in assessing tumor response to therapy and personalized
treatment stratification.Manual segmentation is tedious and
subjective.Deep-learning-based algorithms for brain tumor segmentation have the
potential to provide objective and fast tumor segmentation.However, the
training of such algorithms requires large datasets which are not always
available. Data augmentation techniques may reduce the need for large
datasets.However current approaches are mostly parametric and may result in
suboptimal performance.We introduce two non-parametric methods of data
augmentation for brain tumor segmentation: the mixed structure regularization
(MSR) and shuffle pixels noise (SPN).We evaluated the added value of the MSR
and SPN augmentation on the brain tumor segmentation (BraTS) 2018 challenge
dataset with the encoder-decoder nnU-Net architecture as the segmentation
algorithm.Both MSR and SPN improve the nnU-Net segmentation accuracy compared
to parametric Gaussian noise augmentation.Mean dice score increased from 80% to
82% and p-values=0.0022, 0.0028 when comparing MSR to non-parametric
augmentation for the tumor core and whole tumor experiments respectively.The
proposed MSR and SPN augmentations have the potential to improve
neural-networks performance in other tasks as well.
- Abstract（参考訳）: 磁気共鳴画像(MRI)データからの自動脳腫瘍セグメンテーションは、治療とパーソナライズされた治療層形成に対する腫瘍反応を評価する上で重要な役割を果たし、手動セグメンテーションは退屈で主観的である。脳腫瘍セグメンテーションのためのディープラーニングベースのアルゴリズムは、客観的かつ高速な腫瘍セグメンテーションを提供する可能性を秘めている。しかし、そのようなアルゴリズムの訓練には、常に利用可能な大規模なデータセットが必要である。
データ拡張技術は大きなデータセットの必要性を減らす可能性があるが、現在のアプローチはほとんどパラメトリックであり、最適以下のパフォーマンスをもたらす可能性がある。我々は、脳腫瘍の分節化のための2つの非パラメトリックなデータ拡張方法、MMSRとシャッフルピクセルノイズ(SPN)を導入する。
We evaluated the added value of the MSR and SPN augmentation on the brain tumor segmentation (BraTS) 2018 challenge dataset with the encoder-decoder nnU-Net architecture as the segmentation algorithm.Both MSR and SPN improve the nnU-Net segmentation accuracy compared to parametric Gaussian noise augmentation.Mean dice score increased from 80% to 82% and p-values=0.0022, 0.0028 when comparing MSR to non-parametric augmentation for the tumor core and whole tumor experiments respectively.The proposed MSR and SPN augmentations have the potential to improve neural-networks performance in other tasks as well.
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - 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) - 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) - Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - Neural Gas Network Image Features and Segmentation for Brain Tumor
Detection Using Magnetic Resonance Imaging Data [0.0]
本研究は,画像コントラスト強調のためのメタヒューリスティックファイアフライアルゴリズム(FA)を前処理として用いた。
また,SVM(Support Vector Machine)分類アルゴリズムを用いて腫瘍分類を行い,深層学習手法と比較した。
95.14 %の分類精度と0.977のセグメンテーション精度を提案手法により達成した。
論文 参考訳（メタデータ） (2023-01-28T12:16:37Z) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳（メタデータ） (2022-10-06T18:23:42Z) - 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) - CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention
Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor
Segmentation [0.10195618602298678]
腫瘍の固有の構造を活用して唾液腺領域を検出することで,チャネルと空間的不斉注意(CASPIAN)を導入する。
また,セマンティックセグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入について検討する。
CASPIANET++は、Dice Scoresが91.19%、腫瘍コアが87.6%、腫瘍が81.03%である。
論文 参考訳（メタデータ） (2021-07-08T20:35:17Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z)
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。