論文の概要: 3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2304.14508v1
- Date: Fri, 28 Apr 2023 02:11:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:55:11.407716
- Title: 3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation
- Title（参考訳）: 3D Brainformer:脳腫瘍分離のための3D Fusion Transformer
- Authors: Rui Nian, Guoyao Zhang, Yao Sui, Yuqi Qian, Qiuying Li, Mingzhang
Zhao, Jianhui Li, Ali Gholipour, and Simon K. Warfield
- Abstract要約: 深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れた。
変換器は畳み込みネットワークの限界に対処するために利用されてきた。
本稿では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
- 参考スコア（独自算出の注目度）: 6.127298607534532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is critically important for brain mapping in
both scientific research and clinical studies. Precise segmentation of brain
tumors facilitates clinical diagnosis, evaluations, and surgical planning. Deep
learning has recently emerged to improve brain tumor segmentation and achieved
impressive results. Convolutional architectures are widely used to implement
those neural networks. By the nature of limited receptive fields, however,
those architectures are subject to representing long-range spatial dependencies
of the voxel intensities in MRI images. Transformers have been leveraged
recently to address the above limitations of convolutional networks.
Unfortunately, the majority of current Transformers-based methods in
segmentation are performed with 2D MRI slices, instead of 3D volumes. Moreover,
it is difficult to incorporate the structures between layers because each head
is calculated independently in the Multi-Head Self-Attention mechanism (MHSA).
In this work, we proposed a 3D Transformer-based segmentation approach. We
developed a Fusion-Head Self-Attention mechanism (FHSA) to combine each
attention head through attention logic and weight mapping, for the exploration
of the long-range spatial dependencies in 3D MRI images. We implemented a
plug-and-play self-attention module, named the Infinite Deformable Fusion
Transformer Module (IDFTM), to extract features on any deformable feature maps.
We applied our approach to the task of brain tumor segmentation, and assessed
it on the public BRATS datasets. The experimental results demonstrated that our
proposed approach achieved superior performance, in comparison to several
state-of-the-art segmentation methods.
- Abstract（参考訳）: mriは科学的研究と臨床研究の両方において脳のマッピングにおいて極めて重要である。
脳腫瘍の正確な分節化は臨床診断、評価、手術計画を促進する。
深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れ、素晴らしい結果を得た。
畳み込みアーキテクチャは、これらのニューラルネットワークを実装するために広く使われている。
しかし、受容野の限られた性質により、これらのアーキテクチャはMRI画像におけるボクセル強度の長距離空間依存性を表す。
トランスフォーマーは最近、上記の畳み込みネットワークの制限に対処するために活用されている。
残念ながら、現在のトランスフォーマーベースの手法のほとんどは、3Dボリュームではなく2次元MRIスライスで実行される。
また,MHSA(Multi-Head Self-Attention Mechanism)では各頭部が独立に計算されるため,層間構造を組み込むことは困難である。
本研究では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
我々は,3次元MRI画像の長距離空間依存性を探索するために,注目ヘッドを注目ロジックと重みマッピングにより組み合わせたFHSA(Fusion-Head Self-Attention Mechanism)を開発した。
我々は無限変形型フュージョントランスフォーマーモジュール(idftm)と呼ばれるプラグアンドプレイ自着モジュールを実装し,任意の変形可能な特徴マップの特徴を抽出する。
そこで我々は,脳腫瘍セグメント化の課題にアプローチを適用し,それをBRATSデータセット上で評価した。
実験の結果,提案手法はいくつかの最先端セグメンテーション法と比較して優れた性能を示した。
関連論文リスト
- Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。
このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文 参考訳（メタデータ） (2024-05-23T04:33:12Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - 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) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳（メタデータ） (2022-09-20T11:58:23Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - 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) - 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) - Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors
in MRI Images [7.334185314342017]
我々はSwin UNEt TRansformers(Swin UNETR)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルは、シフトしたウィンドウを利用して、5つの異なる解像度で特徴を抽出し、自己注意を演算する。
我々は、BraTS 2021セグメンテーションチャレンジに参加し、提案したモデルは、検証フェーズにおける最も優れたアプローチの1つである。
論文 参考訳（メタデータ） (2022-01-04T18:01:34Z) - Neural Architecture Search for Gliomas Segmentation on Multimodal
Magnetic Resonance Imaging [2.66512000865131]
マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。
開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
論文 参考訳（メタデータ） (2020-05-13T14:32:00Z) - Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs [2.4736005621421686]
マルチモーダル脳腫瘍セグメンテーションチャレンジ(BraTS)は、3次元MRI脳腫瘍セグメンテーションの自動化方法を改善するために研究者を結集させる。
この手法をBraTS 2019の課題として評価した。
論文 参考訳（メタデータ） (2020-01-06T07:47:42Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳（メタデータ） (2019-12-28T12:45:34Z)
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。