論文の概要: A Data Augmentation Method for Fully Automatic Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2202.06344v1
- Date: Sun, 13 Feb 2022 15:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 15:33:33.794316
- Title: A Data Augmentation Method for Fully Automatic Brain Tumor Segmentation
- Title(参考訳): 完全自動脳腫瘍分割のためのデータ拡張法
- Authors: Yu Wang, Yarong Ji, Hongbing Xiao
- Abstract要約: The augmentation method called Mixup, and applied to the three-dimensional U-Net architecture for brain tumor segmentation。
実験の結果、Diceスコアの平均精度は、腫瘍全体の91.32%、85.67%、82.20%である。
- 参考スコア(独自算出の注目度): 2.9364290037516496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation of glioma and its subregions is of great significance
for diagnosis, treatment and monitoring of disease. In this paper, an
augmentation method, called TensorMixup, was proposed and applied to the three
dimensional U-Net architecture for brain tumor segmentation. The main ideas
included that first, two image patches with size of 128 in three dimensions
were selected according to glioma information of ground truth labels from the
magnetic resonance imaging data of any two patients with the same modality.
Next, a tensor in which all elements were independently sampled from Beta
distribution was used to mix the image patches. Then the tensor was mapped to a
matrix which was used to mix the one-hot encoded labels of the above image
patches. Therefore, a new image and its one-hot encoded label were synthesized.
Finally, the new data was used to train the model which could be used to
segment glioma. The experimental results show that the mean accuracy of Dice
scores are 91.32%, 85.67%, and 82.20% respectively on the whole tumor, tumor
core, and enhancing tumor segmentation, which proves that the proposed
TensorMixup is feasible and effective for brain tumor segmentation.
- Abstract(参考訳): グリオーマとその亜領域の自動セグメンテーションは、疾患の診断、治療、モニタリングにおいて非常に重要である。
本稿では,脳腫瘍分割のための3次元u-netアーキテクチャに対してtensormixupと呼ばれる拡張法を提案し,応用した。
主な考え方は, 磁気共鳴画像データから, 3次元に128の2枚の画像パッチが, グリームラベルのグリオーマ情報に基づいて選択されたことである。
次に、すべての要素がベータ分布から独立してサンプリングされたテンソルを使用して画像パッチを混合した。
次にテンソルは、上記のイメージパッチの1つのホットなエンコードラベルを混ぜるために使用されるマトリックスにマッピングされた。
そこで,新しい画像と1つのホットエンコードラベルを合成した。
最後に、新しいデータはグリオーマのセグメント化に使用できるモデルのトレーニングに使用された。
実験の結果、Diceスコアの平均精度は、腫瘍全体、腫瘍コア、造影腫瘍セグメンテーションにおいてそれぞれ91.32%、85.67%、82.20%であることが示され、提案されたTensorMixupが脳腫瘍セグメンテーションに有効であることが証明された。
関連論文リスト
- 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) - 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) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - 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) - Feature-enhanced Generation and Multi-modality Fusion based Deep Neural
Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。
今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。
提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文 参考訳(メタデータ) (2021-11-08T10:59:40Z) - 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) - Glioma Prognosis: Segmentation of the Tumor and Survival Prediction
using Shape, Geometric and Clinical Information [13.822139791199106]
我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。
私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
論文 参考訳(メタデータ) (2021-04-02T10:49:05Z) - Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning [3.2803205051531235]
我々は,腫瘍を2段階のプロセスで分割する u-net モデルを用いたカスケードアーキテクチャを提案する。
腫瘍、空洞および浮腫のセグメント化(単一のクラスとして)は76.7 $pm$ 1.5%のダイススコアに達し、腫瘍のセグメント化は単独で61.8 $pm$ 4.0%のダイススコアに達した。
論文 参考訳(メタデータ) (2020-12-23T17:31:08Z) - Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma
Segmentation in MRI Scans [22.60715394470069]
畳み込み3Dから2次元MRパッチ変換モデルにより,新しい画素ワイドセグメンテーションフレームワークを考案する。
本アーキテクチャでは, 局所スライス特性とグローバルスライス特性を併用して, 中央ボクセルのクラスラベルを推定する。
論文 参考訳(メタデータ) (2020-10-20T20:42:52Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳(メタデータ) (2020-05-08T02:16:17Z)
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。