Fugu-MT 論文翻訳(概要): Multi-class Brain Tumor Segmentation using Graph Attention Network

論文の概要: Multi-class Brain Tumor Segmentation using Graph Attention Network

arxiv url: http://arxiv.org/abs/2302.05598v1
Date: Sat, 11 Feb 2023 04:30:40 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 19:37:14.582060
Title: Multi-class Brain Tumor Segmentation using Graph Attention Network
Title（参考訳）: グラフ注意ネットワークを用いたマルチクラス脳腫瘍分離
Authors: Dhrumil Patel, Dhruv Patel, Rudra Saxena, Thangarajah Akilan
Abstract要約: この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
参考スコア（独自算出の注目度）: 3.3635982995145994
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Brain tumor segmentation from magnetic resonance imaging (MRI) plays an important role in diagnostic radiology. To overcome the practical issues in manual approaches, there is a huge demand for building automatic tumor segmentation algorithms. This work introduces an efficient brain tumor summation model by exploiting the advancement in MRI and graph neural networks (GNNs). The model represents the volumetric MRI as a region adjacency graph (RAG) and learns to identify the type of tumors through a graph attention network (GAT) -- a variant of GNNs. The ablation analysis conducted on two benchmark datasets proves that the proposed model can produce competitive results compared to the leading-edge solutions. It achieves mean dice scores of 0.91, 0.86, 0.79, and mean Hausdorff distances in the 95th percentile (HD95) of 5.91, 6.08, and 9.52 mm, respectively, for whole tumor, core tumor, and enhancing tumor segmentation on BraTS2021 validation dataset. On average, these performances are >6\% and >50%, compared to a GNN-based baseline model, respectively, on dice score and HD95 evaluation metrics.
Abstract（参考訳）: MRIによる脳腫瘍のセグメンテーションは放射線診断において重要な役割を担っている。手動アプローチの実際的な課題を克服するために,腫瘍の自動分割アルゴリズムの構築が求められている。本研究は,mriとグラフニューラルネットワーク(gnns)の進歩を活かし,効率的な脳腫瘍集積モデルを提案する。このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、GNNの変種であるグラフアテンションネットワーク(GAT)を通して腫瘍の種類を特定することを学ぶ。 2つのベンチマークデータセットで行ったアブレーション解析は,提案手法が先行解に比べて競争結果を生み出すことを証明した。平均ダイススコアは0.91、0.86、0.79、平均ハウゼンドルフ距離は5.91、6.08、9.52mmで、腫瘍全体、コア腫瘍全体、BraTS2021検証データセット上での腫瘍セグメンテーションを強化する。平均して、これらのパフォーマンスは、gnnベースのベースラインモデルと比較して、diceスコアとhd95評価指標でそれぞれ6\%以上と50%以上である。

関連論文リスト

Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文参考訳（メタデータ） (2024-12-05T12:00:00Z)
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)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
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)
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)
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)
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)
Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
論文参考訳（メタデータ） (2021-04-02T10:49:05Z)
Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain Tumor Segmentation in MRI scans [5.586191108738564]
グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。磁気共鳴画像(MRI)における腫瘍の様々な部位の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。提案したモデルでは, トレーニングデータセット上でそれぞれ腫瘍, 腫瘍全体, 腫瘍コアを増強するためのDice係数0.59, 0.72, 0.61が得られた。同じモデルでは、検証データセットではDice Coefficientが0.57、0.73、0.61、テストデータセットでは0.59、0.72、0.57となっている。
論文参考訳（メタデータ） (2021-01-29T04:53:42Z)
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)

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。