論文の概要: Brain MRI study for glioma segmentation using convolutional neural
networks and original post-processing techniques with low computational
demand
- arxiv url: http://arxiv.org/abs/2207.07622v1
- Date: Fri, 15 Jul 2022 17:34:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 15:56:30.924869
- Title: Brain MRI study for glioma segmentation using convolutional neural
networks and original post-processing techniques with low computational
demand
- Title(参考訳): 畳み込みニューラルネットワークと計算負荷の低い独自の後処理技術を用いたグリオーマ分節の脳MRIによる研究
- Authors: Jos\'e Gerardo Su\'arez-Garc\'ia Javier Miguel Hern\'andez-L\'opez,
Eduardo Moreno-Barbosa, and Benito de Celis-Alonso
- Abstract要約: グリオーマは、高度に異質な組織学的サブリージョンからなる脳腫瘍である。
グリオーマの多様性が高いため、このセグメンテーション・タスクは現在、医用画像解析の分野で大きな課題となっている。
畳み込みニューラルネットワーク(CNN)の設計と応用に基づくセグメンテーション手法と,計算負荷の低い元の後処理技術を組み合わせたセグメンテーション手法を提案する。
- 参考スコア(独自算出の注目度): 0.6719751155411076
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Gliomas are brain tumors composed of different highly heterogeneous
histological subregions. Image analysis techniques to identify relevant tumor
substructures have high potential for improving patient diagnosis, treatment
and prognosis. However, due to the high heterogeneity of gliomas, the
segmentation task is currently a major challenge in the field of medical image
analysis. In the present work, the database of the Brain Tumor Segmentation
(BraTS) Challenge 2018, composed of multimodal MRI scans of gliomas, was
studied. A segmentation methodology based on the design and application of
convolutional neural networks (CNNs) combined with original post-processing
techniques with low computational demand was proposed. The post-processing
techniques were the main responsible for the results obtained in the
segmentations. The segmented regions were the whole tumor, the tumor core, and
the enhancing tumor core, obtaining averaged Dice coefficients equal to 0.8934,
0.8376, and 0.8113, respectively. These results reached the state of the art in
glioma segmentation determined by the winners of the challenge.
- Abstract(参考訳): グリオーマは、高度に異質な組織学的サブリージョンからなる脳腫瘍である。
関連腫瘍のサブ構造を特定する画像解析技術は、患者の診断、治療、予後を改善する可能性が高い。
しかし、グリオーマの多様性が高いため、現在医学画像解析の分野ではセグメンテーション作業が大きな課題となっている。
本研究は、グリオーマのマルチモーダルMRIスキャンからなるBrain tumor Segmentation (BraTS) Challenge 2018のデータベースについて検討した。
畳み込みニューラルネットワーク(CNN)の設計と応用に基づくセグメンテーション手法と,計算負荷の低い元の後処理技術を組み合わせたセグメンテーション手法を提案する。
後処理技術は、セグメンテーションで得られた結果に主要な責任を負った。
区分けされた領域は, 腫瘍全体, 腫瘍コア, 造影腫瘍コアであり, 平均Dice係数は0.8934, 0.8376, 0.8113であった。
これらの結果は、挑戦の勝者によって決定されたグリオーマセグメンテーションにおける芸術の状態に到達した。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner
UNet [0.29998889086656577]
本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
論文 参考訳(メタデータ) (2024-01-12T10:46:19Z) - Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data [0.0]
3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。
その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。
これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
論文 参考訳(メタデータ) (2023-08-14T15:34:22Z) - 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) - Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric
MRI [0.0]
本稿では,術前の mpMRI におけるグリオーマの自動認識のための,DeepSeg と nnU-Net という2つのディープラーニングフレームワークのアグリゲーションを提案する。
本手法では, 腫瘍, 腫瘍コア, 全腫瘍領域のDice類似度スコアが92.00, 87.33, 84.10, Hausdorff Distances 3.81, 8.91, 16.02を得た。
論文 参考訳(メタデータ) (2021-12-13T10:51:20Z) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳(メタデータ) (2021-07-26T16:51:00Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳(メタデータ) (2020-12-30T20:44:55Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳(メタデータ) (2020-02-26T14:10:40Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。