Fugu-MT 論文翻訳(概要): Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities

論文の概要: Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities

arxiv url: http://arxiv.org/abs/2208.03470v1
Date: Sat, 6 Aug 2022 08:41:57 GMT
ステータス: 処理完了
システム内更新日: 2022-08-09 13:13:53.949111
Title: Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities
Title（参考訳）: MRIモダリティの欠如による深層学習に基づく脳腫瘍の分節解析
Authors: Benteng Ma, Yushi Wang, and Shen Wang
Abstract要約: 評価されたアプローチには、Adversarial Co-Training Network (ACN) と mmGAN と DeepMedic の組み合わせがある。 BraTS2018データセットを使用することで、最先端のACNが特にT1cが欠落している場合には、パフォーマンスが向上することを示した。 mmGANとDeepMedicの単純な組み合わせは、1つのMRIモダリティが欠如している場合にも強いポテンシャルを示す。
参考スコア（独自算出の注目度）: 6.840531823670822
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This technical report presents a comparative analysis of existing deep learning (DL) based approaches for brain tumor segmentation with missing MRI modalities. Approaches evaluated include the Adversarial Co-training Network (ACN) and a combination of mmGAN and DeepMedic. A more stable and easy-to-use version of mmGAN is also open-sourced at a GitHub repository. Using the BraTS2018 dataset, this work demonstrates that the state-of-the-art ACN performs better especially when T1c is missing. While a simple combination of mmGAN and DeepMedic also shows strong potentials when only one MRI modality is missing. Additionally, this work initiated discussions with future research directions for brain tumor segmentation with missing MRI modalities.
Abstract（参考訳）: 本報告では,mriを欠いた脳腫瘍分割に対する既存の深層学習(dl)法の比較検討を行った。評価されたアプローチには、Adversarial Co-Training Network (ACN) と mmGAN と DeepMedic の組み合わせがある。 mmGANのより安定的で使いやすいバージョンも、GitHubリポジトリでオープンソース化されている。 BraTS2018データセットを使用することで、最先端のACNが特にT1cが欠落している場合には、パフォーマンスが向上することを示した。 mmGANとDeepMedicの単純な組み合わせは、1つのMRIモダリティが欠如している場合にも強いポテンシャルを示す。さらに、この研究は、MRIモダリティの欠如を伴う脳腫瘍セグメンテーションの今後の研究方向について議論を始めた。

関連論文リスト

Bilateral Hippocampi Segmentation in Low Field MRIs Using Mutual Feature Learning via Dual-Views [0.0]
低磁場MRIはよりアクセスしやすく、費用対効果が高いため、小児の鎮静は不要である。低磁場MRIにおける両側海馬の自動セグメンテーションのための新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2024-10-23T02:00:07Z)
An Integrated Deep Learning Framework for Effective Brain Tumor Localization, Segmentation, and Classification from Magnetic Resonance Images [0.0]
脳内の腫瘍は、様々な種類の脳細胞から生じる脳組織内の異常な細胞増殖によって生じる。本研究は,MRI画像からのグリオーマの局在,セグメンテーション,分類のためのDLフレームワークを提案する。提案モデルでは,早期診断を可能とし,患者に対してより正確な治療オプションを提供することで,医療用AIの進歩を期待できる結果が得られた。
論文参考訳（メタデータ） (2024-09-25T18:38:57Z)
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 Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文参考訳（メタデータ） (2023-12-31T20:42:52Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
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)
DIGEST: Deeply supervIsed knowledGE tranSfer neTwork learning for brain tumor segmentation with incomplete multi-modal MRI scans [16.93394669748461]
多モードMRI(Multi-modal magnetic resonance imaging)に基づく脳腫瘍の分節化は、脳腫瘍の診断、治療、術後の評価を支援する重要な役割を担っている。既存の自動セグメンテーション法によって達成されたインスピレーション性能にもかかわらず、マルチモーダルMRIデータは実際の臨床応用では利用できない。そこで本研究では,異なる条件下で正確な脳腫瘍セグメント化を実現するDIGEST(Deeply SupervIsed KnowledGE tranSfer neTwork)を提案する。
論文参考訳（メタデータ） (2022-11-15T09:01:14Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)
Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文参考訳（メタデータ） (2022-04-01T22:48:08Z)
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)
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation [12.256043883052506]
MRI画像における脳腫瘍解析は、誤診が死につながる可能性があるため、重要かつ困難な問題である。本稿では、MRI画像の強調と腫瘍領域の検出を含むフレームワークを用いて、MRI画像中の脳腫瘍を同時にセグメント化、分類するアプローチを提案する。主観的および客観的な結果は,評価指標に基づくセグメンテーションと分類結果は,最先端技術に比較してよいか,あるいは同等であることを示している。
論文参考訳（メタデータ） (2021-12-28T22:49:44Z)

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。