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
- Brain Tumor MRI Classification using a Novel Deep Residual and Regional
CNN [0.0]
Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。
開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。
実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-29T20:14:13Z) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳(メタデータ) (2022-10-13T18:30:11Z) - 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) - 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) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳(メタデータ) (2020-11-15T14:01:24Z) - 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) - 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)
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。