Fugu-MT 論文翻訳(概要): HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging

論文の概要: HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging

arxiv url: http://arxiv.org/abs/2202.05268v1
Date: Thu, 10 Feb 2022 06:34:32 GMT
ステータス: 処理完了
システム内更新日: 2022-02-14 16:09:45.116101
Title: HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging
Title（参考訳）: マルチモーダルmr画像を用いた脳腫瘍分割のためのhnf-netv2
Authors: Haozhe Jia, Chao Bai, Weidong Cai, Heng Huang, and Yong Xia
Abstract要約: 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。
参考スコア（独自算出の注目度）: 86.52489226518955
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In our previous work, $i.e.$, HNF-Net, high-resolution feature representation and light-weight non-local self-attention mechanism are exploited for brain tumor segmentation using multi-modal MR imaging. In this paper, we extend our HNF-Net to HNF-Netv2 by adding inter-scale and intra-scale semantic discrimination enhancing blocks to further exploit global semantic discrimination for the obtained high-resolution features. We trained and evaluated our HNF-Netv2 on the multi-modal Brain Tumor Segmentation Challenge (BraTS) 2021 dataset. The result on the test set shows that our HNF-Netv2 achieved the average Dice scores of 0.878514, 0.872985, and 0.924919, as well as the Hausdorff distances ($95\%$) of 8.9184, 16.2530, and 4.4895 for the enhancing tumor, tumor core, and whole tumor, respectively. Our method won the RSNA 2021 Brain Tumor AI Challenge Prize (Segmentation Task), which ranks 8th out of all 1250 submitted results.
Abstract（参考訳）: 前回の研究では,HNF-Net,高分解能特徴表現,軽度非局所自己アテンション機構をマルチモーダルMR画像を用いた脳腫瘍セグメンテーションに活用した。本稿では,hnf-net を hnf-netv2 に拡張し,hnf-netv2 と hnf-netv2 間の意味的識別拡張ブロックを追加して,得られた高分解能特徴に対するグローバル意味的識別をさらに活用する。 hnf-netv2をbrats(multi-modal brain tumor segmentation challenge)2021データセットでトレーニングし,評価した。その結果, hnf-netv2は0.878514点, 0.872985点, 0.924919点, ハウスドルフ距離8.9184点, 16.2530点, 4.4895点をそれぞれ腫瘍, 腫瘍コア, 腫瘍全体に対してそれぞれ達成した。脳腫瘍AIチャレンジ賞(Segmentation Task, RSNA 2021 Brain tumor AI Challenge Prize)は、1250件の検査結果のうち8位にランクインした。

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)
Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文参考訳（メタデータ） (2023-02-11T04:30:40Z)
Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
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。
論文参考訳（メタデータ） (2021-10-07T11:44:09Z)
A Joint Graph and Image Convolution Network for Automatic Brain Tumor Segmentation [1.3381749415517017]
本稿では,脳腫瘍(BraTS)2021の課題として,関節グラフ畳み込み・画像畳み込みニューラルネットワークを提案する。我々は、まず、グラフニューラルネットワーク(GNN)によって分割された、異なる画像領域からなるグラフとして、各脳をモデル化する。 GNNによって同定される腫瘍体積は、最終セグメンテーションを生成する単純な(ボクセル)畳み込みニューラルネットワーク(CNN)によってさらに洗練される。
論文参考訳（メタデータ） (2021-09-12T18:16:59Z)
Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation [2.324913904215885]
アーキテクチャは、3つのDeep Layer Aggregationニューラルネットワークからなるカスケードで構成されており、各ステージは、機能マップと前のステージの確率を使用して応答を詳細化する。神経画像データは、一般公開されたBrain Tumor (BraTS) 2020チャレンジデータセットの一部です。実験では, 腫瘍, コア腫瘍, 造影腫瘍全例に対して, 0.8858, 0.8297, 0.7900, ハウスドルフ距離 5.32 mm, 22.32 mm, 20.44 mmのdiceスコアを得た。
論文参考訳（メタデータ） (2021-01-02T17:59:30Z)
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)
DR-Unet104 for Multimodal MRI brain tumor segmentation [7.786297008452384]
脳MRIにおける病変分割のために,104層の畳み込み層(DR-Unet104)を有する2次元奥行きUnetを提案する。 Unetエンコーダに'bottleneck'残ブロックを追加し、各畳み込みブロックスタックの後にドロップアウトを追加するなど、Unetアーキテクチャに複数の追加を加えています。コンボリューションは2次元のコンボリューションしかなく,低消費電力コンピュータで使用可能なメリットも備えた,競争力のある病変分割アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-11-04T01:24:26Z)
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)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)

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。