論文の概要: Brain Tumor Segmentation from MRI Images using Deep Learning Techniques
- arxiv url: http://arxiv.org/abs/2305.00257v1
- Date: Sat, 29 Apr 2023 13:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:11:14.003819
- Title: Brain Tumor Segmentation from MRI Images using Deep Learning Techniques
- Title（参考訳）: 深層学習法を用いたmri画像からの脳腫瘍分割
- Authors: Ayan Gupta, Mayank Dixit, Vipul Kumar Mishra, Attulya Singh, Atul
Dayal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.1498833540989413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A brain tumor, whether benign or malignant, can potentially be life
threatening and requires painstaking efforts in order to identify the type,
origin and location, let alone cure one. Manual segmentation by medical
specialists can be time-consuming, which calls out for the involvement of
technology to hasten the process with high accuracy. For the purpose of medical
image segmentation, we inspected and identified the capable deep learning
model, which shows consistent results in the dataset used for brain tumor
segmentation. In this study, a public MRI imaging dataset contains 3064
TI-weighted images from 233 patients with three variants of brain tumor, viz.
meningioma, glioma, and pituitary tumor. The dataset files were converted and
preprocessed before indulging into the methodology which employs implementation
and training of some well-known image segmentation deep learning models like
U-Net & Attention U-Net with various backbones, Deep Residual U-Net, ResUnet++
and Recurrent Residual U-Net. with varying parameters, acquired from our review
of the literature related to human brain tumor classification and segmentation.
The experimental findings showed that among all the applied approaches, the
recurrent residual U-Net which uses Adam optimizer reaches a Mean Intersection
Over Union of 0.8665 and outperforms other compared state-of-the-art deep
learning models. The visual findings also show the remarkable results of the
brain tumor segmentation from MRI scans and demonstrates how useful the
algorithm will be for physicians to extract the brain cancers automatically
from MRI scans and serve humanity.
- Abstract（参考訳）: 良性であれ悪性であれ、脳腫瘍は生命を脅かす可能性があり、病気のタイプ、起源、位置を特定するのに苦労する必要がある。
医療専門家による手動セグメンテーションは時間のかかる作業であり、高い精度でプロセスを早めるテクノロジーの関与を訴える。
医用画像セグメンテーションの目的で,脳腫瘍セグメンテーションに用いるデータセットにおいて一貫した結果を示す有能な深層学習モデルを検査,同定した。
本研究では, 3種類の脳腫瘍, viz. meningioma, glioma, 下垂体腫瘍233例のti強調画像3064例について, mri画像データセットを用いて検討した。
データセットファイルは、様々なバックボーンを持つU-Net & Attention U-Net、Deep Residual U-Net、ResUnet++、Recurrent Residual U-Netといった、よく知られたイメージセグメンテーションのディープラーニング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、変換および事前処理された。
様々なパラメーターで 人間の脳腫瘍の分類と セグメンテーションに関する文献のレビューから入手した
実験結果から,Adamオプティマイザを用いた再帰的残差U-Netは平均差0.8665に達し,他の最先端ディープラーニングモデルよりも優れていることがわかった。
視覚的な発見はまた、MRIスキャンによる脳腫瘍のセグメンテーションの顕著な結果を示し、医師がMRIスキャンから自動的に脳がんを抽出し、人類に役立てるためのアルゴリズムがいかに有用かを示している。
関連論文リスト
- Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。
医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。
本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文 参考訳（メタデータ） (2024-07-15T11:30:40Z) - A Deep Learning Approach for Brain Tumor Classification and Segmentation
Using a Multiscale Convolutional Neural Network [0.0]
本稿では,Deep Convolutional Neural Networkを用いた完全自動脳腫瘍分割分類モデルを提案する。
腫瘍の分類精度は0.973で, 同一のデータベースを用いた他の手法よりも高い値を示した。
論文 参考訳（メタデータ） (2024-02-04T17:47:03Z) - Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data [0.0]
3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。
その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。
これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
論文 参考訳（メタデータ） (2023-08-14T15:34:22Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-14T15:29:32Z) - 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) - 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) - 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) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳（メタデータ） (2021-07-09T05:40:25Z) - 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) - 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。