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
- 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) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - 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) - 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。