論文の概要: A Performance-Consistent and Computation-Efficient CNN System for High-Quality Automated Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2205.01239v1
• Date: Mon, 2 May 2022 22:10:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:58:19.406996
• Title: A Performance-Consistent and Computation-Efficient CNN System for High-Quality Automated Brain Tumor Segmentation
• Title（参考訳）: 高性能自動脳腫瘍分離のための高性能・高効率CNNシステム
• Authors: Juncheng Tong and Chunyan Wang
• Abstract要約: CNNをベースとした完全自動脳-運動-隔離システムの開発研究は急速に進展している。 実際に適用可能なシステムには、優れた処理品質と信頼性が不可欠です。 提案方式のCNNは2つの特徴を持つユニークな構造を持つ。
• 参考スコア（独自算出の注目度）: 1.2183405753834562
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The research on developing CNN-based fully-automated Brain-Tumor-Segmentation systems has been progressed rapidly. For the systems to be applicable in practice, a good The research on developing CNN-based fully-automated Brain-Tumor-Segmentation systems has been progressed rapidly. For the systems to be applicable in practice, a good processing quality and reliability are the must. Moreover, for wide applications of such systems, a minimization of computation complexity is desirable, which can also result in a minimization of randomness in computation and, consequently, a better performance consistency. To this end, the CNN in the proposed system has a unique structure with 2 distinguished characters. Firstly, the three paths of its feature extraction block are designed to extract, from the multi-modality input, comprehensive feature information of mono-modality, paired-modality and cross-modality data, respectively. Also, it has a particular three-branch classification block to identify the pixels of 4 classes. Each branch is trained separately so that the parameters are updated specifically with the corresponding ground truth data of a target tumor areas. The convolution layers of the system are custom-designed with specific purposes, resulting in a very simple config of 61,843 parameters in total. The proposed system is tested extensively with BraTS2018 and BraTS2019 datasets. The mean Dice scores, obtained from the ten experiments on BraTS2018 validation samples, are 0.787+0.003, 0.886+0.002, 0.801+0.007, for enhancing tumor, whole tumor and tumor core, respectively, and 0.751+0.007, 0.885+0.002, 0.776+0.004 on BraTS2019. The test results demonstrate that the proposed system is able to perform high-quality segmentation in a consistent manner. Furthermore, its extremely low computation complexity will facilitate its implementation/application in various environments.
• Abstract（参考訳）: cnnベースの完全自動脳腫瘍摘出システムの開発は急速に進められている。 実際に適用するためには、CNNベースの完全自動脳-運動-隔離システムの開発研究が急速に進められている。 実際にシステムを適用するためには、優れた処理品質と信頼性が必要である。 さらに、そのようなシステムの広範な応用においては、計算複雑性の最小化が望ましいため、計算におけるランダム性の最小化や性能の整合性の向上も期待できる。 この目的のために,提案方式のCNNは2つの特徴を持つユニークな構造を持つ。 まず, 特徴抽出ブロックの3つの経路を, 多モード入力, モノモダリティの包括的特徴情報, ペアモダリティ, クロスモダリティデータから抽出する。 また、特定の3枝の分類ブロックを持ち、4つのクラスのピクセルを識別する。 各枝は、対象腫瘍領域の対応する接地真実データでパラメータを具体的に更新するように別々に訓練される。 システムの畳み込み層は、特定の目的のためにカスタム設計されており、合計61,843のパラメータからなる非常に単純な構成になっている。 提案システムはBraTS2018とBraTS2019データセットで広範囲にテストされている。 BraTS2018の10実験から得られたDiceスコアの平均値は,BraTS2019の腫瘍,腫瘍全体,腫瘍コアをそれぞれ強化するための0.787+0.003,0.886+0.002,0.801+0.007,0.751+0.007,0.885+0.002,0.776+0.004である。 実験の結果,提案システムは高品質なセグメンテーションを一貫した方法で実現可能であることが示された。 さらに、計算の複雑さが非常に低いため、様々な環境での実装/適用が容易になる。

関連論文リスト

• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• 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)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
  本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。 BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
  論文  参考訳（メタデータ） (2020-12-12T09:09:04Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• A Computation-Efficient CNN System for High-Quality Brain Tumor Segmentation [1.2183405753834562]
  本稿では,脳腫瘍のセグメンテーションのための信頼性の高い畳み込みニューラルネットワーク(CNN)を提案する。 ユニークなCNNは、たった108のカーネルと20308のトレーニング可能なパラメータを含む7つの畳み込み層で構成されている。 その結果,再学習後にほぼ同じ出力をほぼ確実に同じ入力に再現できることが判明した。
  論文  参考訳（メタデータ） (2020-07-22T02:45:54Z)
• DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images [0.0]
  グリオーマは最も一般的で攻撃的な脳腫瘍である。 FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。 本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的なディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-26T09:50:02Z)

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。