論文の概要: Unsupervised Brain Tumor Segmentation with Image-based Prompts

• arxiv url: http://arxiv.org/abs/2304.01472v1
• Date: Tue, 4 Apr 2023 02:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 15:43:48.420084
• Title: Unsupervised Brain Tumor Segmentation with Image-based Prompts
• Title（参考訳）: 画像ベースプロンプトを用いた無監督脳腫瘍切除
• Authors: Xinru Zhang, Ni Ou, Chenghao Liu, Zhizheng Zhuo, Yaou Liu, and Chuyang Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.525656002678856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated brain tumor segmentation based on deep learning (DL) has achieved promising performance. However, it generally relies on annotated images for model training, which is not always feasible in clinical settings. Therefore, the development of unsupervised DL-based brain tumor segmentation approaches without expert annotations is desired. Motivated by the success of prompt learning (PL) in natural language processing, we propose an approach to unsupervised brain tumor segmentation by designing image-based prompts that allow indication of brain tumors, and this approach is dubbed as PL-based Brain Tumor Segmentation (PL-BTS). Specifically, instead of directly training a model for brain tumor segmentation with a large amount of annotated data, we seek to train a model that can answer the question: is a voxel in the input image associated with tumor-like hyper-/hypo-intensity? Such a model can be trained by artificially generating tumor-like hyper-/hypo-intensity on images without tumors with hand-crafted designs. Since the hand-crafted designs may be too simplistic to represent all kinds of real tumors, the trained model may overfit the simplistic hand-crafted task rather than actually answer the question of abnormality. To address this problem, we propose the use of a validation task, where we generate a different hand-crafted task to monitor overfitting. In addition, we propose PL-BTS+ that further improves PL-BTS by exploiting unannotated images with brain tumors. Compared with competing unsupervised methods, the proposed method has achieved marked improvements on both public and in-house datasets, and we have also demonstrated its possible extension to other brain lesion segmentation tasks.
• Abstract（参考訳）: 深層学習(DL)に基づく自動脳腫瘍セグメンテーションは有望な性能を達成した。 しかし、一般的には、モデルトレーニングのための注釈付き画像に依存しており、臨床環境では必ずしも実現できない。 したがって、専門家の注記を伴わない無監督のdlベース脳腫瘍分画法の開発が望まれる。 自然言語処理におけるプロンプト学習(PL)の成功により,脳腫瘍の表示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し,このアプローチをPLベースの脳腫瘍セグメンテーション(PL-BTS)と呼ぶ。 具体的には、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、疑問に答えられるモデル、すなわち腫瘍様のハイパー/ハイポインテンシティに関連する入力画像のボクセルをトレーニングする。 このようなモデルは、手作りのデザインの腫瘍を伴わずに、画像上に腫瘍様高/ハイポ強度を人工的に生成することで訓練することができる。 手作りのデザインは、あらゆる種類の実際の腫瘍を表現できないほど単純すぎるため、訓練されたモデルは、実際に異常の質問に答えるよりも、単純化された手作りのタスクに過剰に適合する可能性がある。 この問題に対処するため,我々は,オーバーフィッティングを監視するために手作りの異なるタスクを生成するバリデーションタスクを提案する。 また,脳腫瘍の未診断画像を利用したPL-BTS+を提案する。 競合する教師なし手法と比較して,提案手法はパブリックデータセットと社内データセットの両方において顕著な改善を達成しており,他の脳病変セグメンテーションタスクへの拡張の可能性も示している。

関連論文リスト

• Unsupervised Tumor-Aware Distillation for Multi-Modal Brain Image Translation [8.380597715285237]
  教師なしマルチモーダル脳画像翻訳は広く研究されている。 既存の方法は翻訳中の脳腫瘍の変形の問題に悩まされている。 UTAD-Netと呼ばれる教師なしの腫瘍対応蒸留教員ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-29T13:35:37Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Learning to Learn Unlearned Feature for Brain Tumor Segmentation [13.402170359958752]
  そこで本研究では,脳腫瘍の分類を微調整するアルゴリズムを提案し,少数のデータサンプルを必要とせず,ネットワークが元のタスクを忘れないようにする。 本稿では, 高次グリオーマから脳転移への転移学習手法を示し, 提案アルゴリズムがグリオーマと脳転移ドメインのバランスのとれたパラメータを数ステップで達成できることを実証する。
  論文  参考訳（メタデータ） (2023-05-13T05:26:25Z)
• 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)
• 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)
• Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary? [5.743034166791608]
  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。
  論文  参考訳（メタデータ） (2022-12-14T20:31:43Z)
• 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)
• Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
  本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-07T13:45:35Z)
• 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)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。