Fugu-MT 論文翻訳(概要): Automated ischemic stroke lesion segmentation from 3D MRI

論文の概要: Automated ischemic stroke lesion segmentation from 3D MRI

arxiv url: http://arxiv.org/abs/2209.09546v1
Date: Tue, 20 Sep 2022 08:21:57 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 19:10:30.436810
Title: Automated ischemic stroke lesion segmentation from 3D MRI
Title（参考訳）: 3次元mriによる脳梗塞病変の自動分割
Authors: Md Mahfuzur Rahman Siddique, Dong Yang, Yufan He, Daguang Xu, Andriy Myronenko
Abstract要約: Ischemic Stroke Lesion Challenge (ISLES 2022)は、研究者がソリューションを3D MRIから虚血脳梗塞領域の3Dセグメンテーションと比較するためのプラットフォームを提供する。我々は、すべての画像を共通の解像度に再サンプリングし、2つのMRIモード(DWIとADC)を使用し、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークを訓練する。
参考スコア（独自算出の注目度）: 8.52488593202588
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ischemic Stroke Lesion Segmentation challenge (ISLES 2022) offers a platform for researchers to compare their solutions to 3D segmentation of ischemic stroke regions from 3D MRIs. In this work, we describe our solution to ISLES 2022 segmentation task. We re-sample all images to a common resolution, use two input MRI modalities (DWI and ADC) and train SegResNet semantic segmentation network from MONAI. The final submission is an ensemble of 15 models (from 3 runs of 5-fold cross validation). Our solution (team name NVAUTO) achieves the top place in terms of Dice metric (0.824), and overall rank 2 (based on the combined metric ranking).
Abstract（参考訳）: Ischemic Stroke Lesion Segmentation Challenge (ISLES 2022)は、研究者がソリューションを3D MRIから虚血脳梗塞領域の3Dセグメンテーションと比較するためのプラットフォームを提供する。本稿では,ISLES 2022セグメンテーションタスクに対するソリューションについて述べる。我々は、すべての画像を共通の解像度に再サンプリングし、2つのMRIモード(DWIとADC)を使用し、MONAIからSegResNetセマンティックセグメンテーションネットワークを訓練する。最終的な提出は15モデルのアンサンブル(5倍のクロスバリデーションの3つの実行から)である。私たちのソリューション(チーム名nvauto)は、diceメトリック(0.824)と総合ランク2(合計メトリックランキングに基づく)の点で最上位に到達します。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Automated 3D Segmentation of Kidneys and Tumors in MICCAI KiTS 2023 Challenge [11.820386742605539]
我々は2023年のKidney and Kidney tumor Challenge(KiTS)に応募した。我々の解は0.835のディスと0.723のサーフェスを達成し、KiTS 2023チャレンジで優勝した。
論文参考訳（メタデータ） (2023-10-06T09:20:22Z)
3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic Segmentation on VSPW [68.56017675820897]
本稿では,PVUW2023 VSSトラックの3位解について紹介する。ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
論文参考訳（メタデータ） (2023-06-04T07:50:38Z)
Automated head and neck tumor segmentation from 3D PET/CT [9.814838162752112]
HECKTOR (Head and neck tumor segmentation Challenge) 2022は、3D CTおよびPET画像から腫瘍とリンパ節のセグメンテーションの解決策を比較するためのプラットフォームを提供する。すべての画像を共通の解像度に再サンプリングし、頭と首の領域をトリミングし、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークをトレーニングします。 HECKTOR22チャレンジリーダーボードの総合スコアは0.78802である。
論文参考訳（メタデータ） (2022-09-22T06:24:09Z)
Automated segmentation of intracranial hemorrhages from 3D CT [9.814838162752114]
頭蓋内出血セグメンテーションチャレンジ(INSTANCE 2022)は、研究者が3次元CTからの出血脳梗塞領域のセグメンテーションに対する解決策を比較するためのプラットフォームを提供する。 2DセグメンテーションネットワークであるMONAIのSegResNetを使い、再サンプリングせずにスライス的に動作します。
論文参考訳（メタデータ） (2022-09-21T20:37:32Z)
COSMOS: Cross-Modality Unsupervised Domain Adaptation for 3D Medical Image Segmentation based on Target-aware Domain Translation and Iterative Self-Training [6.513315990156929]
我々は,COSMOSという3次元医用画像セグメント作成のための,自己学習に基づく教師なしドメイン適応フレームワークを提案する。我々のターゲット認識コントラスト変換ネットワークは、ソース領域の注釈付きT1 MRIを擬似T2 MRIに変換し、ターゲット領域でのセグメンテーショントレーニングを可能にする。 COSMOSは、第24回医用画像コンピューティングおよびコンピュータ支援介入国際会議(MICCAI 2021)と共同で開催されたクロスモダリティドメイン適応(crossMoDA)チャレンジで1textsuperscriptationで優勝した。
論文参考訳（メタデータ） (2022-03-30T18:00:07Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)
DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。 Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。 3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
論文参考訳（メタデータ） (2021-07-01T08:15:00Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
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)

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。