論文の概要: CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with
Modality-Correlated Cross-Attention for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2207.07370v1
- Date: Fri, 15 Jul 2022 09:35:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 19:40:20.283856
- Title: CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with
Modality-Correlated Cross-Attention for Brain Tumor Segmentation
- Title（参考訳）: ckd-transbts : 脳腫瘍分節に対するモダリティ相関交叉を用いた臨床知識駆動ハイブリッドトランスフォーマー
- Authors: Jianwei Lin, Jiatai Lin, Cheng Lu, Hao Chen, Huan Lin, Bingchao Zhao,
Zhenwei Shi, Bingjiang Qiu, Xipeng Pan, Zeyan Xu, Biao Huang, Changhong
Liang, Guoqiang Han, Zaiyi Liu, Chu Han
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.39921484146194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain tumor segmentation (BTS) in magnetic resonance image (MRI) is crucial
for brain tumor diagnosis, cancer management and research purposes. With the
great success of the ten-year BraTS challenges as well as the advances of CNN
and Transformer algorithms, a lot of outstanding BTS models have been proposed
to tackle the difficulties of BTS in different technical aspects. However,
existing studies hardly consider how to fuse the multi-modality images in a
reasonable manner. In this paper, we leverage the clinical knowledge of how
radiologists diagnose brain tumors from multiple MRI modalities and propose a
clinical knowledge-driven brain tumor segmentation model, called CKD-TransBTS.
Instead of directly concatenating all the modalities, we re-organize the input
modalities by separating them into two groups according to the imaging
principle of MRI. A dual-branch hybrid encoder with the proposed
modality-correlated cross-attention block (MCCA) is designed to extract the
multi-modality image features. The proposed model inherits the strengths from
both Transformer and CNN with the local feature representation ability for
precise lesion boundaries and long-range feature extraction for 3D volumetric
images. To bridge the gap between Transformer and CNN features, we propose a
Trans&CNN Feature Calibration block (TCFC) in the decoder. We compare the
proposed model with five CNN-based models and six transformer-based models on
the BraTS 2021 challenge dataset. Extensive experiments demonstrate that the
proposed model achieves state-of-the-art brain tumor segmentation performance
compared with all the competitors.
- Abstract（参考訳）: 磁気共鳴画像(MRI)における脳腫瘍セグメンテーション(BTS)は、脳腫瘍の診断、癌管理、研究目的に不可欠である。
10年間のBraTS課題の成功とCNNとTransformerアルゴリズムの進歩により、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。
しかし、既存の研究では、マルチモダリティ画像を合理的に融合する方法はほとんど考慮されていない。
本稿では,複数のmri画像から脳腫瘍の診断方法についての臨床知識を活用し,ckd-transbtsと呼ばれる臨床知識駆動脳腫瘍分割モデルを提案する。
モーダルを全て直接結合する代わりに、MRIの画像原理に従って2つのグループに分割することで入力モーダルを再構成する。
マルチモダリティ画像の特徴を抽出するために,MCCA (Modality-correlated cross-attention block) を用いたデュアルブランチハイブリッドエンコーダを設計した。
提案モデルでは,3次元ボリューム画像の高精度な病変境界と長距離特徴抽出のための局所特徴表現機能を備えたTransformerとCNNの長所を継承する。
トランスフォーマーとCNNの特徴のギャップを埋めるために,デコーダにトランス&CNN特徴キャリブレーションブロック(TCFC)を提案する。
提案モデルは,brats 2021チャレンジデータセット上の5つのcnnモデルと6つのトランスフォーマーモデルと比較した。
大規模実験により, 提案モデルにより, 全競合他社と比較して最先端の脳腫瘍セグメンテーション性能が得られた。
関連論文リスト
- multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。
腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。
セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
論文 参考訳（メタデータ） (2024-09-18T17:35:19Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Enhancing Incomplete Multi-modal Brain Tumor Segmentation with Intra-modal Asymmetry and Inter-modal Dependency [31.047259264831947]
現実の一般的な問題は、様々なスキャンプロトコルや患者の状態によって、いくつかのモダリティが利用できないことである。
従来の手法では、アクセス可能なマルチモーダルの特徴を融合させ、注意機構を活用し、欠落したモダリティを合成することで、この問題に対処しようと試みてきた。
本稿では,2つの視点から深層学習に基づく脳腫瘍セグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2024-06-14T16:54:53Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 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) - The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn) [9.082208613256295]
本稿では,脳MR画像合成ベンチマーク(BraSyn)とMICCAI(Medical Image Computing and Computer-Assisted Intervention)2023を併用して,脳MR画像合成ベンチマーク(BraSyn)の確立について紹介する。
この課題の主な目的は、複数の利用可能な画像が提供される際に、MRIの欠落を現実的に生成できる画像合成手法を評価することである。
論文 参考訳（メタデータ） (2023-05-15T20:49:58Z) - 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) - ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation [6.643336433892116]
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。
論文 参考訳（メタデータ） (2022-03-21T14:42:05Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。
本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。
MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
論文 参考訳（メタデータ） (2020-08-28T09:15:42Z)
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。