論文の概要: Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?

• arxiv url: http://arxiv.org/abs/2212.07497v1
• Date: Wed, 14 Dec 2022 20:31:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 17:35:51.590073
• Title: Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?
• Title（参考訳）: ディープラーニングによる脳腫瘍の完全自動分割に向けて--脳抽出は必要か?
• Authors: Bruno Machado Pacheco, Guilherme de Souza e Cassia and Danilo Silva
• Abstract要約: 自動脳腫瘍分割パイプラインを提案し,その性能を複数のBE法を用いて評価した。 以上の結果から, BE法の選択は腫瘍のセグメンテーション性能の最大15.7%を損なう可能性が示唆された。 本研究では,非スカルストリップ画像上での腫瘍分割モデルの訓練と試験を行い,BEステップをパイプラインから効果的に排除する。
• 参考スコア（独自算出の注目度）: 5.743034166791608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art brain tumor segmentation is based on deep learning models applied to multi-modal MRIs. Currently, these models are trained on images after a preprocessing stage that involves registration, interpolation, brain extraction (BE, also known as skull-stripping) and manual correction by an expert. However, for clinical practice, this last step is tedious and time-consuming and, therefore, not always feasible, resulting in skull-stripping faults that can negatively impact the tumor segmentation quality. Still, the extent of this impact has never been measured for any of the many different BE methods available. In this work, we propose an automatic brain tumor segmentation pipeline and evaluate its performance with multiple BE methods. Our experiments show that the choice of a BE method can compromise up to 15.7% of the tumor segmentation performance. Moreover, we propose training and testing tumor segmentation models on non-skull-stripped images, effectively discarding the BE step from the pipeline. Our results show that this approach leads to a competitive performance at a fraction of the time. We conclude that, in contrast to the current paradigm, training tumor segmentation models on non-skull-stripped images can be the best option when high performance in clinical practice is desired.
• Abstract（参考訳）: 最先端の脳腫瘍セグメンテーションは、マルチモーダルMRIに適用されたディープラーニングモデルに基づいている。 現在、これらのモデルは、登録、補間、脳抽出(BE、頭蓋切断とも呼ばれる)、および専門家による手動補正を含む前処理段階の後に画像に基づいて訓練されている。 しかし、臨床実践では、この最後のステップは退屈で時間がかかり、必ずしも実現可能とは限らないため、腫瘍の分節品質に悪影響を及ぼす可能性がある頭蓋骨引き抜き障害が引き起こされる。 それでも、この影響の程度は、利用可能なさまざまなBEメソッドのどれでも測定されていない。 本研究では,脳腫瘍自動分割パイプラインを提案し,その性能を複数のBE法を用いて評価する。 実験の結果,be法の選択は腫瘍の分画性能の最大15.7%を損なうことが明らかとなった。 さらに,非skullストリップ画像に対する腫瘍セグメンテーションモデルのトレーニングとテストを提案し,beステップをパイプラインから効果的に破棄する。 以上の結果から,本手法は短時間で競争性能が向上することが示された。 現状のパラダイムとは対照的に,非スカルストリップ画像における腫瘍セグメンテーションモデルの訓練は,臨床実習におけるハイパフォーマンスが望まれる場合に最適である。

関連論文リスト

• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
  脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。 MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。 CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。 本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。 以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-15T12:26:24Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• 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)
• Unsupervised Brain Tumor Segmentation with Image-based Prompts [12.525656002678856]
  我々は,脳腫瘍の診断を可能にする画像ベースのプロンプトを設計し,教師なし脳腫瘍セグメンテーションへのアプローチを提案する。 大量の注釈付きデータで脳腫瘍セグメンテーションのモデルを直接訓練する代わりに、私たちは質問に答えられるモデルをトレーニングしようとしています。 手作りのデザインは、あらゆる種類の実際の腫瘍を表現するには単純すぎるため、訓練されたモデルは、実際には異常の問題に答えるのではなく、単純化された手作りのタスクに過度に適合する可能性がある。
  論文  参考訳（メタデータ） (2023-04-04T02:28:25Z)
• 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)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
  そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。 提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-19T07:42:10Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。