Fugu-MT 論文翻訳(概要): Brain tumor multi classification and segmentation in MRI images using deep learning

論文の概要: Brain tumor multi classification and segmentation in MRI images using deep learning

arxiv url: http://arxiv.org/abs/2304.10039v2
Date: Fri, 23 Jun 2023 21:29:42 GMT
ステータス: 処理完了
システム内更新日: 2023-06-27 22:58:14.984611
Title: Brain tumor multi classification and segmentation in MRI images using deep learning
Title（参考訳）: 深層学習を用いたMRI画像における脳腫瘍の多重分類とセグメンテーション
Authors: Belal Amin, Romario Sameh Samir, Youssef Tarek, Mohammed Ahmed, Rana Ibrahim, Manar Ahmed, Mohamed Hassan
Abstract要約: この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
参考スコア（独自算出の注目度）: 3.1248717814228923
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This study proposes a deep learning model for the classification and segmentation of brain tumors from magnetic resonance imaging (MRI) scans. The classification model is based on the EfficientNetB1 architecture and is trained to classify images into four classes: meningioma, glioma, pituitary adenoma, and no tumor. The segmentation model is based on the U-Net architecture and is trained to accurately segment the tumor from the MRI images. The models are evaluated on a publicly available dataset and achieve high accuracy and segmentation metrics, indicating their potential for clinical use in the diagnosis and treatment of brain tumors.
Abstract（参考訳）: 本研究では,MRIによる脳腫瘍の分類と分類のための深層学習モデルを提案する。この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類される。セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。モデルは、公開データセットで評価され、高い精度とセグメンテーションのメトリクスを達成し、脳腫瘍の診断と治療における臨床使用の可能性を示す。

関連論文リスト

Machine learning approach to brain tumor detection and classification [11.108853789803597]
脳MRI画像を用いて脳腫瘍を検出し分類するために,様々な統計的および機械学習モデルを適用した。以上の結果から,CNNは他のモデルよりも優れており,最高の性能を実現していることがわかった。本研究では、機械学習アプローチが脳腫瘍の検出と分類に適していることを示し、現実の医療応用を促進する。
論文参考訳（メタデータ） (2024-10-16T15:52:32Z)
Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文参考訳（メタデータ） (2024-03-09T13:37:02Z)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。 U-Netモデルは医用画像セグメンテーション用に特別に設計されている。事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
論文参考訳（メタデータ） (2023-06-21T18:49:21Z)
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)
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)
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation [12.256043883052506]
MRI画像における脳腫瘍解析は、誤診が死につながる可能性があるため、重要かつ困難な問題である。本稿では、MRI画像の強調と腫瘍領域の検出を含むフレームワークを用いて、MRI画像中の脳腫瘍を同時にセグメント化、分類するアプローチを提案する。主観的および客観的な結果は,評価指標に基づくセグメンテーションと分類結果は,最先端技術に比較してよいか,あるいは同等であることを示している。
論文参考訳（メタデータ） (2021-12-28T22:49:44Z)
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)
MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文参考訳（メタデータ） (2021-07-26T16:51:00Z)
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)
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。