論文の概要: Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images
- arxiv url: http://arxiv.org/abs/2211.01885v1
- Date: Thu, 3 Nov 2022 15:19:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:28:40.870558
- Title: Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images
- Title(参考訳): u-netネットワークを用いたmri画像の効率的な脳腫瘍分割
- Authors: Jason Walsh, Alice Othmani, Mayank Jain, and Soumyabrata Dev
- Abstract要約: 本稿では,脳腫瘍セグメンテーションのためのU-Netの軽量実装を提案する。
提案アーキテクチャでは,提案する軽量U-Netをトレーニングするために大量のデータを必要としない。
軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、平均交叉対合同(IoU)は89%に達する。
- 参考スコア(独自算出の注目度): 4.3310896118860445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) is the most commonly used non-intrusive
technique for medical image acquisition. Brain tumor segmentation is the
process of algorithmically identifying tumors in brain MRI scans. While many
approaches have been proposed in the literature for brain tumor segmentation,
this paper proposes a lightweight implementation of U-Net. Apart from providing
real-time segmentation of MRI scans, the proposed architecture does not need
large amount of data to train the proposed lightweight U-Net. Moreover, no
additional data augmentation step is required. The lightweight U-Net shows very
promising results on BITE dataset and it achieves a mean
intersection-over-union (IoU) of 89% while outperforming the standard benchmark
algorithms. Additionally, this work demonstrates an effective use of the three
perspective planes, instead of the original three-dimensional volumetric
images, for simplified brain tumor segmentation.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)は、医用画像取得において最も一般的に用いられる非侵襲的手法である。
脳腫瘍の分節は、脳mriスキャンで腫瘍をアルゴリズム的に同定するプロセスである。
脳腫瘍セグメンテーションの文献では,多くのアプローチが提案されているが,本論文では,U-Netの軽量実装を提案する。
MRIスキャンのリアルタイムセグメンテーションを提供する以外に、提案した軽量U-Netのトレーニングには大量のデータを必要としない。
さらに、追加のデータ拡張ステップは不要である。
軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、標準ベンチマークアルゴリズムを上回り89%の平均交叉結合(IoU)を達成する。
さらに、本研究では、脳腫瘍の単純な分割のために、元の3次元ボリューム画像の代わりに、3つの視点平面を効果的に利用することを示す。
関連論文リスト
- Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image
Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。
本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。
画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文 参考訳(メタデータ) (2023-09-16T02:41:53Z) - 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable
Medical Image Segmentation [56.50064853710202]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳(メタデータ) (2023-06-23T12:09:52Z) - Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net [0.0]
本稿では,脳腫瘍のマルチリージョンセグメンテーションのための3次元アテンションに基づくU-Netアーキテクチャを提案する。
注意機構は、健康な組織を非強調化し、悪性組織をアクセントすることで、セグメンテーションの精度を向上させる。
論文 参考訳(メタデータ) (2023-05-10T14:35:07Z) - Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。
データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。
実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-04-29T13:33:21Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳(メタデータ) (2023-02-24T15:26:31Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳(メタデータ) (2022-06-14T03:25:58Z) - Category Guided Attention Network for Brain Tumor Segmentation in MRI [6.685945448824158]
カテゴリー案内注意U-Net(CGA U-Net)という新しいセグメンテーションネットワークを提案する。
本モデルでは,より正確かつ安定した特徴写像の長距離依存性を計算コストを伴わずに捉えることのできる,注目機構に基づくスーパービジョンアテンションモジュール(SAM)を設計する。
BraTS 2019データセットの実験的結果は、提案手法がセグメント化性能と計算複雑性の両方において最先端のアルゴリズムより優れていることを示している。
論文 参考訳(メタデータ) (2022-03-29T09:22:29Z) - 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) - Does anatomical contextual information improve 3D U-Net based brain
tumor segmentation? [0.0]
脳解剖学からの文脈情報の追加は、U-Netベースの脳腫瘍のセグメンテーションを改善するか検討した。
対象者ごとのMRモダリティを減らし, セグメンテーション精度, モデルトレーニング時間, ドメインの一般化, 補償の観点から, 文脈情報の追加が与える影響について検討した。
論文 参考訳(メタデータ) (2020-10-26T09:57:58Z)
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。