論文の概要: Computational Modeling of Deep Multiresolution-Fractal Texture and Its Application to Abnormal Brain Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2306.04754v1
• Date: Wed, 7 Jun 2023 20:04:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 17:42:35.256793
• Title: Computational Modeling of Deep Multiresolution-Fractal Texture and Its Application to Abnormal Brain Tissue Segmentation
• Title（参考訳）: 深部多解像度フラクタルテクスチャの計算モデルと異常脳組織分節への応用
• Authors: A. Temtam, L. Pei, and K. Iftekharuddin
• Abstract要約: 本稿では,MFDNN(Multi resolution Fractal Deep Neural Network)のモデリングとその計算実装を提案する。 最新のBRATS 2021 Challengesを用いてMFDNNモデルの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational modeling of Multiresolution- Fractional Brownian motion (fBm) has been effective in stochastic multiscale fractal texture feature extraction and machine learning of abnormal brain tissue segmentation. Further, deep multiresolution methods have been used for pixel-wise brain tissue segmentation. Robust tissue segmentation and volumetric measurement may provide more objective quantification of disease burden and offer improved tracking of treatment response for the disease. However, we posit that computational modeling of deep multiresolution fractal texture features may offer elegant feature learning. Consequently, this work proposes novel modeling of Multiresolution Fractal Deep Neural Network (MFDNN) and its computational implementation that mathematically combines a multiresolution fBm model and deep multiresolution analysis. The proposed full 3D MFDNN model offers the desirable properties of estimating multiresolution stochastic texture features by analyzing large amount of raw MRI image data for brain tumor segmentation. We apply the proposed MFDNN to estimate stochastic deep multiresolution fractal texture features for tumor tissues in brain MRI images. The MFDNN model is evaluated using 1251 patient cases for brain tumor segmentation using the most recent BRATS 2021 Challenges dataset. The evaluation of the proposed model using Dice overlap score, Husdorff distance and associated uncertainty estimation offers either better or comparable performances in abnormal brain tissue segmentation when compared to the state-of-the-art methods in the literature. Index Terms: Computational Modeling, Multiresolution Fractional Brownian Motion (fBm), Deep Multiresolution Analysis, Fractal Dimension (FD), Texture Features, Brain tumor segmentation, Deep Learning.
• Abstract（参考訳）: 多分解能分数ブラウン運動(fbm)の計算モデルは、確率的多スケールフラクタルテクスチャ特徴抽出と異常脳組織分節の機械学習に有効である。 さらに、深層多分解能法は、ピクセルワイド脳組織セグメンテーションに用いられている。 ロバスト組織分節と体積測定は、より客観的に疾患の重荷を定量化し、疾患に対する治療反応の追跡を改善することができる。 しかし, 深部多分解能フラクタルテクスチャの計算モデリングは, エレガントな特徴学習をもたらす可能性がある。 そこで本研究では,マルチレゾリューションfbmモデルとディープマルチレゾリューション解析を数学的に結合したマルチレゾリューションフラクタル深層ニューラルネットワーク(mfdnn)の新しいモデリング手法を提案する。 提案する3次元mfdnnモデルでは,脳腫瘍分割のための大量のmri画像データを解析することにより,マルチレゾリューションの確率的テクスチャ特徴を推定できる。 提案するmfdnnを用いて,脳mri画像中の腫瘍組織に対する確率的深部マルチレゾリューションフラクタルテクスチャの特徴を推定する。 MFDNNモデルは、最新のBRATS 2021 Challengesデータセットを用いて、1251例の脳腫瘍セグメンテーションを用いて評価されている。 Diceオーバーラップスコア, Husdorff 距離および関連する不確実性推定を用いたモデルの評価は, 文献における最先端手法と比較して, 異常脳組織セグメンテーションにおいて良好な, あるいは同等の性能を示す。 インデックス用語:計算モデリング、多分解能分数ブラウン運動(fbm)、深部マルチレゾリューション分析、フラクタル次元(fd)、テクスチャ特徴、脳腫瘍の分節化、ディープラーニング。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• 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)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• Brain MRI study for glioma segmentation using convolutional neural networks and original post-processing techniques with low computational demand [0.6719751155411076]
  グリオーマは、高度に異質な組織学的サブリージョンからなる脳腫瘍である。 グリオーマの多様性が高いため、このセグメンテーション・タスクは現在、医用画像解析の分野で大きな課題となっている。 畳み込みニューラルネットワーク(CNN)の設計と応用に基づくセグメンテーション手法と,計算負荷の低い元の後処理技術を組み合わせたセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T17:34:05Z)
• 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)
• Deep Multi-Resolution Dictionary Learning for Histopathology Image Analysis [1.503974529275767]
  組織画像における組織表現の問題を解くための深層辞書学習手法を提案する。 提案フレームワークは,既存のcnnsモデルの多くを活用して,効果的な深層テクスチャ記述子を生成することができる。
  論文  参考訳（メタデータ） (2021-04-01T17:58:18Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• 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)
• 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)

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。