論文の概要: Brain Tumor Segmentation using Enhanced U-Net Model with Empirical Analysis

• arxiv url: http://arxiv.org/abs/2210.13336v1
• Date: Mon, 24 Oct 2022 15:41:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 15:32:06.547293
• Title: Brain Tumor Segmentation using Enhanced U-Net Model with Empirical Analysis
• Title（参考訳）: 経験的解析を用いた拡張U-Netモデルを用いた脳腫瘍切除
• Authors: MD Abdullah Al Nasim, Abdullah Al Munem, Maksuda Islam, Md Aminul Haque Palash, MD. Mahim Anjum Haque, and Faisal Muhammad Shah
• Abstract要約: 脳腫瘍は外科的切除を必要とする。 畳み込みニューラルネットワーク(CNN)を用いたU-Netを用いた脳腫瘍の分類 2017年、2018年、2019年、2020年のBraTSデータセットは、BraTS 2019データセットの到達したダイススコア0.8717(ネクロティック)、0.9506(浮腫)、0.9427(エンハンシング)と大きくは異なっている。
• 参考スコア（独自算出の注目度）: 0.9749189465851389
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cancer of the brain is deadly and requires careful surgical segmentation. The brain tumors were segmented using U-Net using a Convolutional Neural Network (CNN). When looking for overlaps of necrotic, edematous, growing, and healthy tissue, it might be hard to get relevant information from the images. The 2D U-Net network was improved and trained with the BraTS datasets to find these four areas. U-Net can set up many encoder and decoder routes that can be used to get information from images that can be used in different ways. To reduce computational time, we use image segmentation to exclude insignificant background details. Experiments on the BraTS datasets show that our proposed model for segmenting brain tumors from MRI (MRI) works well. In this study, we demonstrate that the BraTS datasets for 2017, 2018, 2019, and 2020 do not significantly differ from the BraTS 2019 dataset's attained dice scores of 0.8717 (necrotic), 0.9506 (edema), and 0.9427 (enhancing).
• Abstract（参考訳）: 脳のがんは致命的であり、慎重に外科切除する必要がある。 脳腫瘍は畳み込みニューラルネットワーク(cnn)を用いてu-netで分割された。 壊死性、浮腫性、成長性、健康的な組織の重なりを求めると、画像から関連する情報を得るのは難しいかもしれません。 2D U-Netネットワークは改善され、BraTSデータセットでトレーニングされ、4つの領域が見つかった。 U-Netは多くのエンコーダやデコーダルートを設定し、異なる方法で使用できる画像から情報を取得することができる。 計算時間を短縮するため,画像分割を重要でない背景詳細を除外する。 BraTSデータセットの実験により、MRI(MRI)から脳腫瘍を分離するモデルがうまく機能していることが示されている。 本研究では、2017年、2018年、2019年、2020年のBraTSデータセットが、BraTS 2019データセットの到達したダイススコア0.8717(ネクロティック)、0.9506(浮腫)、0.9427(エンハンシング)と大きく異なることはないことを示した。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks [0.0]
  脳の腫瘍はがんなので致命的です。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
  論文  参考訳（メタデータ） (2022-08-28T18:24:22Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction [0.0]
  画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
  論文  参考訳（メタデータ） (2022-04-04T01:45:11Z)
• HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
  我々は,HNF-NetをHNF-Netv2に拡張する。 我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
  論文  参考訳（メタデータ） (2022-02-10T06:34:32Z)
• A Joint Graph and Image Convolution Network for Automatic Brain Tumor Segmentation [1.3381749415517017]
  本稿では,脳腫瘍(BraTS)2021の課題として,関節グラフ畳み込み・画像畳み込みニューラルネットワークを提案する。 我々は、まず、グラフニューラルネットワーク(GNN)によって分割された、異なる画像領域からなるグラフとして、各脳をモデル化する。 GNNによって同定される腫瘍体積は、最終セグメンテーションを生成する単純な(ボクセル)畳み込みニューラルネットワーク(CNN)によってさらに洗練される。
  論文  参考訳（メタデータ） (2021-09-12T18:16:59Z)
• 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)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images [0.0]
  グリオーマは最も一般的で攻撃的な脳腫瘍である。 FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。 本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的なディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-26T09:50:02Z)

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。