Fugu-MT 論文翻訳(概要): A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction

論文の概要: A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction

arxiv url: http://arxiv.org/abs/2204.01201v1
Date: Mon, 4 Apr 2022 01:45:11 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 16:31:09.221009
Title: A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction
Title（参考訳）: 画像サブトラクションを用いた新しいマスクR-CNNモデルによる異種脳腫瘍の分離
Authors: Sanskriti Singh
Abstract要約: 画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The segmentation of diseases is a popular topic explored by researchers in the field of machine learning. Brain tumors are extremely dangerous and require the utmost precision to segment for a successful surgery. Patients with tumors usually take 4 MRI scans, T1, T1gd, T2, and FLAIR, which are then sent to radiologists to segment and analyze for possible future surgery. To create a second segmentation, it would be beneficial to both radiologists and patients in being more confident in their conclusions. We propose using a method performed by radiologists called image segmentation and applying it to machine learning models to prove a better segmentation. Using Mask R-CNN, its ResNet backbone being pre-trained on the RSNA pneumonia detection challenge dataset, we can train a model on the Brats2020 Brain Tumor dataset. Center for Biomedical Image Computing & Analytics provides MRI data on patients with and without brain tumors and the corresponding segmentations. We can see how well the method of image subtraction works by comparing it to models without image subtraction through DICE coefficient (F1 score), recall, and precision on the untouched test set. Our model performed with a DICE coefficient of 0.75 in comparison to 0.69 without image subtraction. To further emphasize the usefulness of image subtraction, we compare our final model to current state-of-the-art models to segment tumors from MRI scans.
Abstract（参考訳）: 病気のセグメンテーションは、機械学習の分野で研究者が探求する一般的なトピックである。脳腫瘍は非常に危険で、手術を成功させるためには最も精密なセグメントを必要とする。腫瘍の患者は通常、T1、T1gd、T2、FLAIRの4つのMRIスキャンを受け取り、その後放射線科医に送信され、将来の手術をセグメント化し分析する。第2のセグメンテーションを作成するには、放射線科医と患者の両方が結論に自信を持つことが有益である。画像セグメンテーションと呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明する。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats2020脳腫瘍データセットでモデルをトレーニングすることができる。 center for biomedical image computing & analyticsは、脳腫瘍とそれに対応する分節を有する患者のmriデータを提供する。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションのないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。 DICE係数は0.75であり,画像の減算は0.69であった。画像サブトラクションの有用性をさらに強調するため、我々は最終モデルを現在の最先端モデルと比較し、MRIスキャンから腫瘍を分離する。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。 MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
論文参考訳（メタデータ） (2024-08-27T07:58:08Z)
Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文参考訳（メタデータ） (2024-07-02T19:30:25Z)
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)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
論文参考訳（メタデータ） (2023-04-29T13:33:21Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文参考訳（メタデータ） (2022-11-30T09:04:27Z)
Deep Superpixel Generation and Clustering for Weakly Supervised Segmentation of Brain Tumors in MR Images [0.0]
本研究は、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
論文参考訳（メタデータ） (2022-09-20T18:08:34Z)
A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。提案フレームワークは、全体的な検出精度96.88%を取得する。提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
論文参考訳（メタデータ） (2022-02-20T16:14:01Z)
SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文参考訳（メタデータ） (2020-11-15T14:01:24Z)

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。