論文の概要: Deep Superpixel Generation and Clustering for Weakly Supervised
Segmentation of Brain Tumors in MR Images
- arxiv url: http://arxiv.org/abs/2209.09930v2
- Date: Tue, 23 Jan 2024 01:36:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 20:21:04.164613
- Title: Deep Superpixel Generation and Clustering for Weakly Supervised
Segmentation of Brain Tumors in MR Images
- Title（参考訳）: mr画像における脳腫瘍の弱教師付き分節化のための深部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、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。
われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。
提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
- 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 models to segment tumors and other anomalies in
medical images is an important step for developing diagnostic tools but
generally requires manually annotated ground truth segmentations, which
necessitates significant time and resources. This work proposes the use of a
superpixel generation model and a superpixel clustering model to enable weakly
supervised brain tumor segmentations. The proposed method utilizes binary
image-level classification labels, which are readily accessible, to
significantly improve the initial region of interest segmentations generated by
standard weakly supervised methods without requiring ground truth annotations.
We used 2D slices of magnetic resonance brain scans from the Multimodal Brain
Tumor Segmentation Challenge 2020 dataset and labels indicating the presence of
tumors to train the pipeline. On the test cohort, our method achieved a mean
Dice coefficient of 0.691 and a mean 95% Hausdorff distance of 18.1,
outperforming existing superpixel-based weakly supervised segmentation methods.
- Abstract（参考訳）: 医療画像中の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モデルのトレーニングは、診断ツールを開発する上で重要なステップだが、一般的には手作業で注釈付き地上真理セグメンテーションが必要であり、かなりの時間とリソースを必要とする。
本研究は,スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを用いて,脳腫瘍の弱い分節化を可能にすることを提案する。
提案手法では,2値画像レベルの分類ラベルをアクセスしやすく,基本真理アノテーションを必要とせず,標準的な弱教師付き手法が生成する関心区分の初期領域を著しく改善する。
マルチモーダル脳腫瘍セグメンテーションチャレンジ2020データセットから得られた2次元磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。
テストコホートでは,Dice係数平均0.691,Hausdorff距離平均95%を18.1とし,既存のスーパーピクセルベースの弱教師付きセグメンテーション法を上回った。
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。