論文の概要: A Radiomics-Incorporated Deep Ensemble Learning Model for
Multi-Parametric MRI-based Glioma Segmentation
- arxiv url: http://arxiv.org/abs/2303.10533v1
- Date: Sun, 19 Mar 2023 02:16:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 18:51:30.643862
- Title: A Radiomics-Incorporated Deep Ensemble Learning Model for
Multi-Parametric MRI-based Glioma Segmentation
- Title（参考訳）: マルチパラメトリックMRIを用いたグリオーマセグメンテーションのための放射能内蔵深層アンサンブル学習モデル
- Authors: Yang Chen, Zhenyu Yang, Jingtong Zhao, Justus Adamson, Yang Sheng,
Fang-Fang Yin, Chunhao Wang
- Abstract要約: グリオーマのセグメンテーション精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。
このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
- 参考スコア（独自算出の注目度）: 5.890417404600585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We developed a deep ensemble learning model with a radiomics spatial encoding
execution for improved glioma segmentation accuracy using multi-parametric MRI
(mp-MRI). This model was developed using 369 glioma patients with a 4-modality
mp-MRI protocol: T1, contrast-enhanced T1 (T1-Ce), T2, and FLAIR. In each
modality volume, a 3D sliding kernel was implemented across the brain to
capture image heterogeneity: fifty-six radiomic features were extracted within
the kernel, resulting in a 4th order tensor. Each radiomic feature can then be
encoded as a 3D image volume, namely a radiomic feature map (RFM). PCA was
employed for data dimension reduction and the first 4 PCs were selected. Four
deep neural networks as sub-models following the U-Net architecture were
trained for the segmenting of a region-of-interest (ROI): each sub-model
utilizes the mp-MRI and 1 of the 4 PCs as a 5-channel input for a 2D execution.
The 4 softmax probability results given by the U-net ensemble were superimposed
and binarized by Otsu method as the segmentation result. Three ensemble models
were trained to segment enhancing tumor (ET), tumor core (TC), and whole tumor
(WT). The adopted radiomics spatial encoding execution enriches the image
heterogeneity information that leads to the successful demonstration of the
proposed deep ensemble model, which offers a new tool for mp-MRI based medical
image segmentation.
- Abstract（参考訳）: マルチパラメトリックMRI(mp-MRI)を用いたグリオーマ分割精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。
このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
各モダリティボリュームにおいて、画像の多様性を捉えるために3dスライディングカーネルが脳全体に実装され、56の放射能特徴がカーネル内で抽出され、結果として4次テンソルとなった。
それぞれの放射能特徴を3D画像ボリューム、すなわち放射能特徴写像(RFM)として符号化することができる。
PCAはデータ次元の削減に使われ、最初の4つのPCが選択された。
U-Netアーキテクチャに従った4つのディープニューラルネットワークが関心領域(ROI)のセグメンテーションのために訓練され、各サブモデルはmp-MRIと4台のPCの1を5チャンネル入力として2次元実行に利用する。
u-netアンサンブルにより得られた4つのソフトマックス確率結果は, 大津法で重畳され, 分節化された。
3種類のアンサンブルモデルを用いて, 造影腫瘍 (ET), 腫瘍コア (TC), 腫瘍全体 (WT) の分節を訓練した。
提案した深層アンサンブルモデルの実証に繋がる画像不均一性情報を利用して, mp-MRIを用いた医用画像分割のための新しいツールを提供する。
関連論文リスト
- Brain Tumor Segmentation in MRI Images with 3D U-Net and Contextual Transformer [0.5033155053523042]
本研究では,3D-UNetモデルとコンテキストトランスフォーマ(CoT)を併用したMRIにおける脳腫瘍の正確なセグメンテーションのための改良手法を提案する。
提案モデルでは,CoTから腫瘍の質量特性を同期させ,特徴抽出を相互に強化し,詳細な腫瘍の質量構造を正確に把握する。
いくつかの実験結果から,提案手法の優れた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） (2024-07-11T13:04:20Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation [6.643336433892116]
複数のエンコーダを用いた脳腫瘍セグメント化モデルを提案する。
4エンコーダはMRI画像の4つのモードに対応し、1対1の特徴抽出を行い、4つのモードの特徴マップをデコーダにマージする。
また,新たな損失関数 "Categorical Dice" を導入し,異なるセグメント領域に対して異なる重みを同時に設定し,ボクセルの不均衡を解消した。
論文 参考訳（メタデータ） (2022-03-21T14:42:05Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳（メタデータ） (2022-03-01T17:16:41Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。
本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。
さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
論文 参考訳（メタデータ） (2021-09-03T09:27:07Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma
Segmentation in MRI Scans [22.60715394470069]
畳み込み3Dから2次元MRパッチ変換モデルにより,新しい画素ワイドセグメンテーションフレームワークを考案する。
本アーキテクチャでは, 局所スライス特性とグローバルスライス特性を併用して, 中央ボクセルのクラスラベルを推定する。
論文 参考訳（メタデータ） (2020-10-20T20:42:52Z)
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。