論文の概要: ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2203.11213v1
- Date: Mon, 21 Mar 2022 14:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:34:07.170601
- Title: ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation
- Title（参考訳）: ME-Net:脳腫瘍分離のためのマルチエンコーダネットフレームワーク
- Authors: Wenbo Zhang, Guang Yang, He Huang, Weiji Yang, Xiaomei Xu, Yongkai
Liu, Xiaobo Lai
- Abstract要約: 複数のエンコーダを用いた脳腫瘍セグメント化モデルを提案する。
4エンコーダはMRI画像の4つのモードに対応し、1対1の特徴抽出を行い、4つのモードの特徴マップをデコーダにマージする。
また,新たな損失関数 "Categorical Dice" を導入し,異なるセグメント領域に対して異なる重みを同時に設定し,ボクセルの不均衡を解消した。
- 参考スコア（独自算出の注目度）: 6.643336433892116
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Glioma is the most common and aggressive brain tumor. Magnetic resonance
imaging (MRI) plays a vital role to evaluate tumors for the arrangement of
tumor surgery and the treatment of subsequent procedures. However, the manual
segmentation of the MRI image is strenuous, which limits its clinical
application. With the development of deep learning, a large number of automatic
segmentation methods have been developed, but most of them stay in 2D images,
which leads to subpar performance. Moreover, the serious voxel imbalance
between the brain tumor and the background as well as the different sizes and
locations of the brain tumor makes the segmentation of 3D images a challenging
problem. Aiming at segmenting 3D MRI, we propose a model for brain tumor
segmentation with multiple encoders. The structure contains four encoders and
one decoder. The four encoders correspond to the four modalities of the MRI
image, perform one-to-one feature extraction, and then merge the feature maps
of the four modalities into the decoder. This method reduces the difficulty of
feature extraction and greatly improves model performance. We also introduced a
new loss function named "Categorical Dice", and set different weights for
different segmented regions at the same time, which solved the problem of voxel
imbalance. We evaluated our approach using the online BraTS 2020 Challenge
verification. Our proposed method can achieve promising results in the
validation set compared to the state-of-the-art approaches with Dice scores of
0.70249, 0.88267, and 0.73864 for the intact tumor, tumor core, and enhanced
tumor, respectively.
- Abstract（参考訳）: グリオーマは最も一般的で攻撃的な脳腫瘍である。
MRI(MRI)は,腫瘍手術の整形と術後の処置について腫瘍を評価する上で重要な役割を担っている。
しかし,MRI画像の手動分割は極めて困難であり,臨床応用は限られている。
深層学習の発展に伴い,多くの自動セグメンテーション手法が開発されているが,そのほとんどは2次元画像に留まっており,性能は低い。
さらに、脳腫瘍と背景の間の深刻なボクセルの不均衡や、脳腫瘍の大きさや位置の相違により、3D画像の分割が困難な問題となっている。
3次元mriのセグメンテーションを目指して,複数のエンコーダを用いた脳腫瘍セグメンテーションモデルを提案する。
構造体は4つのエンコーダと1つのデコーダを含む。
4つのエンコーダはMRI画像の4つのモードに対応し、1対1の特徴抽出を行い、4つのモードの特徴マップをデコーダにマージする。
この方法は特徴抽出の難しさを低減し、モデル性能を大幅に改善する。
また,「カテゴリー的ダイス」という新たな損失関数を導入し,異なるセグメント領域に対して異なる重みを設定することで,ボクセルの不均衡問題を解決した。
我々はBraTS 2020 Challengeをオンラインで評価した。
提案法はDiceスコアが0.70249,0.88267,0.73864であり, 腫瘍コア, 造影腫瘍は0.73864であった。
関連論文リスト
- Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。
このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文 参考訳（メタデータ） (2024-05-23T04:33:12Z) - Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。
Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
論文 参考訳（メタデータ） (2023-11-09T18:55:27Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - A Radiomics-Incorporated Deep Ensemble Learning Model for
Multi-Parametric MRI-based Glioma Segmentation [5.890417404600585]
グリオーマのセグメンテーション精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。
このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
論文 参考訳（メタデータ） (2023-03-19T02:16:55Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with
Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。
10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。
CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
論文 参考訳（メタデータ） (2022-07-15T09:35:29Z) - 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) - 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework [3.0261170901794308]
グリオーマは最も一般的な脳悪性腫瘍であり、高い死亡率と3%以上の死亡率を有する。
このクリニックで脳腫瘍を取得する主要な方法は、マルチモーダルMRIスキャン画像から脳腫瘍領域のMRIである。
我々はAGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-26T09:04:59Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。