Fugu-MT 論文翻訳(概要): Superpixel Generation and Clustering for Weakly Supervised Brain Tumor Segmentation in MR Images

論文の概要: Superpixel Generation and Clustering for Weakly Supervised Brain Tumor Segmentation in MR Images

arxiv url: http://arxiv.org/abs/2209.09930v1
Date: Tue, 20 Sep 2022 18:08:34 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 16:19:30.738683
Title: Superpixel Generation and Clustering for Weakly Supervised Brain Tumor Segmentation in MR Images
Title（参考訳）: MR画像における弱視下脳腫瘍分離のためのスーパーピクセル生成とクラスタリング
Authors: Jay J. Yoo, Khashayar Namdar, Farzad Khalvati
Abstract要約: 本研究は、二項分類ラベルを用いて、基底真理アノテーションを必要とせずにROIを分割するMLモデルのパイプラインを提案する。我々は,Multimodal Brain tumor Challenge (BraTS) 2020データセットからMRI(MRI)脳スキャンを2Dスライスした。パイプラインのセグメンテーションはDice係数61.7%を達成し,LIME(Local Interpretable Model-Agnostic Explanations)法で得られた42.8%のDice係数よりも大幅に改善した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Training Machine Learning (ML) models to segment tumors and other anomalies in medical images is an increasingly popular area of research but generally requires manually annotated ground truth segmentations which necessitates significant time and resources to create. This work proposes a pipeline of ML models that utilize binary classification labels, which can be easily acquired, to segment ROIs without requiring ground truth annotations. We used 2D slices of Magnetic Resonance Imaging (MRI) brain scans from the Multimodal Brain Tumor Segmentation Challenge (BraTS) 2020 dataset and labels indicating the presence of high-grade glioma (HGG) tumors to train the pipeline. Our pipeline also introduces a novel variation of deep learning-based superpixel generation, which enables training guided by clustered superpixels and simultaneously trains a superpixel clustering model. On our test set, our pipeline's segmentations achieved a Dice coefficient of 61.7%, which is a substantial improvement over the 42.8% Dice coefficient acquired when the popular Local Interpretable Model-Agnostic Explanations (LIME) method was used.
Abstract（参考訳）: 医療画像における腫瘍やその他の異常をセグメント化するための機械学習(ml)モデルのトレーニングは、ますます一般的な研究分野であるが、一般的には、かなりの時間とリソースを必要とする手作業による地上真実セグメンテーションを必要とする。本研究は,二項分類ラベルを用いたMLモデルのパイプラインを提案し,基礎的真理アノテーションを必要とせずにROIを分割する。我々は,Multimodal Brain tumor Segmentation Challenge (BraTS) 2020データセットからのMRIの2Dスライスと,高次グリオーマ(HGG)腫瘍の存在を示すラベルを用いてパイプラインを訓練した。このパイプラインでは,クラスタ化されたスーパーピクセルで指導されたトレーニングを可能とし,同時にスーパーピクセルクラスタリングモデルを訓練する。我々のパイプラインのセグメンテーションはDice係数61.7%を達成し,LIME(Local Interpretable Model-Agnostic Explanations)法で得られたDice係数42.8%を大きく改善した。

関連論文リスト

A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文参考訳（メタデータ） (2023-11-06T12:58:26Z)
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)
Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文参考訳（メタデータ） (2022-11-10T00:04:46Z)
Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文参考訳（メタデータ） (2022-11-09T14:52:36Z)
Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文参考訳（メタデータ） (2022-05-06T08:37:02Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
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)
Pseudo-label refinement using superpixels for semi-supervised brain tumour segmentation [0.6767885381740952]
限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-16T15:17:11Z)
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)
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)
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。