論文の概要: A Graphical Approach For Brain Haemorrhage Segmentation
- arxiv url: http://arxiv.org/abs/2202.06876v1
- Date: Mon, 14 Feb 2022 17:06:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 17:36:43.444744
- Title: A Graphical Approach For Brain Haemorrhage Segmentation
- Title（参考訳）: 脳出血セグメンテーションのためのグラフ的アプローチ
- Authors: Dr. Ninad Mehendale, Pragya Gupta, Nishant Rajadhyaksha, Ansh Dagha,
Mihir Hundiwala, Aditi Paretkar, Sakshi Chavan, and Tanmay Mishra
- Abstract要約: 脳の出血は15歳から24歳までの人の死因の主要な原因である。
近年のディープラーニングと画像処理の進歩は、CTスキャンのような様々なモダリティを利用して、脳出血の検出とセグメンテーションを自動化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Haemorrhaging of the brain is the leading cause of death in people between
the ages of 15 and 24 and the third leading cause of death in people older than
that. Computed tomography (CT) is an imaging modality used to diagnose
neurological emergencies, including stroke and traumatic brain injury. Recent
advances in Deep Learning and Image Processing have utilised different
modalities like CT scans to help automate the detection and segmentation of
brain haemorrhage occurrences. In this paper, we propose a novel implementation
of an architecture consisting of traditional Convolutional Neural Networks(CNN)
along with Graph Neural Networks(GNN) to produce a holistic model for the task
of brain haemorrhage segmentation.GNNs work on the principle of neighbourhood
aggregation thus providing a reliable estimate of global structures present in
images. GNNs work with few layers thus in turn requiring fewer parameters to
work with. We were able to achieve a dice coefficient score of around 0.81 with
limited data with our implementation.
- Abstract（参考訳）: 脳の出血は、15歳から24歳までの人々の死因の主要な原因であり、それよりも年上の人々の死因の第3位である。
CT(Computed tomography)は、脳卒中や外傷性脳損傷を含む神経疾患の診断に用いられる画像モダリティである。
ディープラーニングと画像処理の最近の進歩は、ctスキャンのような異なるモードを利用して脳出血の検出と分節化を自動化する。
本稿では,従来の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせたアーキテクチャを新たに実装し,脳出血セグメンテーションのタスクの全体モデルを作成する。
GNNは少数のレイヤで動作するため、処理するパラメータが少なくなります。
我々は実装によって限られたデータで約0.81のダイス係数のスコアを達成できた。
関連論文リスト
- Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2024-06-01T02:47:39Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Robust Tumor Segmentation with Hyperspectral Imaging and Graph Neural
Networks [31.87960207119459]
より堅牢でスムーズなセグメンテーションのために,タイルの空間的文脈を利用した改良手法を提案する。
タイルの不規則な形状に対処するため,グラフニューラルネットワーク(GNN)を用いて周辺地域のコンテキスト情報を伝播する。
以上の結果から, 文脈認識型GNNアルゴリズムは, HSI画像上の腫瘍の区切りを頑健に検出できることが示唆された。
論文 参考訳（メタデータ） (2023-11-20T14:07:38Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳（メタデータ） (2022-10-28T18:58:34Z) - Mental arithmetic task classification with convolutional neural network
based on spectral-temporal features from EEG [0.47248250311484113]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。
ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。
実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
論文 参考訳（メタデータ） (2022-09-26T02:15:22Z) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-18T07:05:27Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Image Augmentation Using a Task Guided Generative Adversarial Network
for Age Estimation on Brain MRI [6.051767128521292]
本稿では,データ不足を克服するGANに基づく画像合成手法を提案する。
従来のGAN損失にタスク誘導損失を加えることで、学習された低次元潜在空間と合成画像はよりタスク固有となる。
提案手法は,深い畳み込みニューラルネットワークに基づく回帰モデルと,タスク誘導分岐を伴わないGANに基づく画像合成法より優れている(統計的に有意)。
論文 参考訳（メタデータ） (2021-08-03T17:56:50Z) - Joint Embedding of Structural and Functional Brain Networks with Graph
Neural Networks for Mental Illness Diagnosis [17.48272758284748]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。
我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。
特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
論文 参考訳（メタデータ） (2021-07-07T13:49:57Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z)
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。