Fugu-MT 論文翻訳(概要): Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task

論文の概要: Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task

arxiv url: http://arxiv.org/abs/2201.03777v1
Date: Tue, 11 Jan 2022 04:44:29 GMT
ステータス: 処理完了
システム内更新日: 2022-01-12 14:41:13.542999
Title: Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task
Title（参考訳）: 脳腫瘍分節に対する相互対位学習: BraTS Challenge 2021 分節課題への解法
Authors: Himashi Peiris, Zhaolin Chen, Gary Egan, Mehrtash Harandi
Abstract要約: 本稿では,脳腫瘍セグメンテーション課題に対する対角学習に基づくトレーニング手法を提案する。 RSNA-ASNR-MICCAI BraTS 2021データセットを用いてネットワークアーキテクチャのトレーニングと評価を行った。提案手法は,84.55%,90.46%,85.30%,ハウゼンドルフ距離(95%)が13.48mm,6.32mm,16.98mmであった。
参考スコア（独自算出の注目度）: 17.648013128690216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes an adversarial learning based training approach for brain tumor segmentation task. In this concept, the 3D segmentation network learns from dual reciprocal adversarial learning approaches. To enhance the generalization across the segmentation predictions and to make the segmentation network robust, we adhere to the Virtual Adversarial Training approach by generating more adversarial examples via adding some noise on original patient data. By incorporating a critic that acts as a quantitative subjective referee, the segmentation network learns from the uncertainty information associated with segmentation results. We trained and evaluated network architecture on the RSNA-ASNR-MICCAI BraTS 2021 dataset. Our performance on the online validation dataset is as follows: Dice Similarity Score of 81.38%, 90.77% and 85.39%; Hausdorff Distance (95\%) of 21.83 mm, 5.37 mm, 8.56 mm for the enhancing tumor, whole tumor and tumor core, respectively. Similarly, our approach achieved a Dice Similarity Score of 84.55%, 90.46% and 85.30%, as well as Hausdorff Distance (95\%) of 13.48 mm, 6.32 mm and 16.98 mm on the final test dataset. Overall, our proposed approach yielded better performance in segmentation accuracy for each tumor sub-region. Our code implementation is publicly available at https://github.com/himashi92/vizviva_brats_2021
Abstract（参考訳）: 本稿では,脳腫瘍セグメンテーション課題に対する対角学習に基づくトレーニング手法を提案する。この概念では、3Dセグメンテーションネットワークは2つの相互対角学習アプローチから学習する。セグメンテーション予測の一般化を図り,セグメンテーションネットワークの堅牢化を図るため,本研究は,患者データにノイズを付加することにより,より逆行例を生成することにより,仮想逆トレーニングアプローチに固執する。定量的主観的審判として機能する批評家を取り入れることで、セグメンテーションネットワークは、セグメンテーション結果に関連する不確実性情報から学習する。 RSNA-ASNR-MICCAI BraTS 2021データセットを用いてネットワークアーキテクチャのトレーニングと評価を行った。オンライン検証データセットの性能は以下の通りである: Dice similarity Score of 81.38%, 90.77%, 85.39%; Hausdorff Distance (95\%) of 21.83 mm, 5.37 mm, 8.56 mm for the enhance tumor, whole tumor and tumor core。同様に、我々のアプローチは最終試験データセットで84.55%、90.46%、85.30%のDice類似スコア、13.48mm、6.32mm、16.98mmのHausdorff Distance (95\%)を達成した。全体として,提案手法は各腫瘍部分領域の分節精度が向上した。私たちのコード実装はhttps://github.com/himashi92/vizviva_brats_2021で公開されています。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation [4.952008176585512]
FLARE23チャレンジは、部分的データと完全注釈付きデータの両方を備えた大規模なデータセットを提供する。我々は、FLARE23に対処するために、Semi-Supervised Learning(SSL)と反復的な擬似ラベリングの戦略を用いることを提案する。本手法では, 臓器の平均DSCスコアは89.63%, 腫瘍は46.07%である。
論文参考訳（メタデータ） (2023-10-02T12:45:13Z)
Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文参考訳（メタデータ） (2023-03-20T09:50:07Z)
Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
論文参考訳（メタデータ） (2022-09-16T03:55:48Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs [2.946960157989204]
この研究は、摂動下での冗長性を最小化するネットワークトレーニングプロセスの修正である。腫瘍コア, 腫瘍コア, 全腫瘍に対して, 0.8600, 0.8868, 0.9265平均ダイスを得た。私たちのチーム(NVAUTO)の応募は、ETとTCのスコアで上位10チーム、WTのスコアで上位10チームだった。
論文参考訳（メタデータ） (2021-11-01T07:39:06Z)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
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 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)
Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network [0.0]
そこで本研究では,ネットワークに新たな分類分岐を追加することにより,セグメンテーション結果を向上する新たなトレーニング手法を提案する。ネットワーク全体が、Multimodal Brain tumor Challenge (BraTS) 2020トレーニングデータセットでエンドツーエンドにトレーニングされた。
論文参考訳（メタデータ） (2020-09-25T10:05:12Z)

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。