論文の概要: Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data
- arxiv url: http://arxiv.org/abs/2308.07214v1
- Date: Mon, 14 Aug 2023 15:34:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 12:36:29.538228
- Title: Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data
- Title(参考訳): 成人脳腫瘍のアンサンブル・ベース・セグメンテーションの自動化: BraTS AFRICA Challenge Data を用いた新しいアプローチ
- Authors: Chiranjeewee Prasad Koirala, Sovesh Mohapatra, Advait Gosai, Gottfried
Schlaug
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain tumors, particularly glioblastoma, continue to challenge medical
diagnostics and treatments globally. This paper explores the application of
deep learning to multi-modality magnetic resonance imaging (MRI) data for
enhanced brain tumor segmentation precision in the Sub-Saharan Africa patient
population. We introduce an ensemble method that comprises eleven unique
variations based on three core architectures: UNet3D, ONet3D, SphereNet3D and
modified loss functions. The study emphasizes the need for both age- and
population-based segmentation models, to fully account for the complexities in
the brain. Our findings reveal that the ensemble approach, combining different
architectures, outperforms single models, leading to improved evaluation
metrics. Specifically, the results exhibit Dice scores of 0.82, 0.82, and 0.87
for enhancing tumor, tumor core, and whole tumor labels respectively. These
results underline the potential of tailored deep learning techniques in
precisely segmenting brain tumors and lay groundwork for future work to
fine-tune models and assess performance across different brain regions.
- Abstract(参考訳): 脳腫瘍、特にグリオ芽腫は、世界中で診断や治療に挑戦し続けている。
本稿では,サブサハラアフリカにおける脳腫瘍の領域分割精度向上のための多モード磁気共鳴画像(MRI)データへのディープラーニングの適用について検討する。
UNet3D, ONet3D, SphereNet3D, 修正損失関数の3つのコアアーキテクチャに基づいて, 11種類のユニークなバリエーションを含むアンサンブル方式を提案する。
この研究は、脳の複雑さを完全に説明するために、年齢と人口ベースのセグメンテーションモデルの両方の必要性を強調している。
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おり,評価基準が向上していることがわかった。
具体的には, 腫瘍, 腫瘍コア, 腫瘍ラベルをそれぞれ0.82点, 0.82点, 0.87点のdiceスコアを示した。
これらの結果は、脳腫瘍を正確に分類し、将来の研究のために、様々な脳領域にまたがるモデルを微調整し、性能を評価するために、適切な深層学習技術の可能性を示している。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節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。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - An Optimization Framework for Processing and Transfer Learning for the
Brain Tumor Segmentation [2.0886519175557368]
我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。
このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。
検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
論文 参考訳(メタデータ) (2024-02-10T18:03:15Z) - Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner
UNet [0.29998889086656577]
本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
論文 参考訳(メタデータ) (2024-01-12T10:46:19Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Automated Ensemble-Based Segmentation of Pediatric Brain Tumors: A Novel
Approach Using the CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 Challenge Data [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、異なるスキャンプロトコル間でモデル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,小児脳腫瘍の診断精度の向上と効果的な治療計画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) - 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework [3.0261170901794308]
グリオーマは最も一般的な脳悪性腫瘍であり、高い死亡率と3%以上の死亡率を有する。
このクリニックで脳腫瘍を取得する主要な方法は、マルチモーダルMRIスキャン画像から脳腫瘍領域のMRIである。
我々はAGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-26T09:04:59Z) - HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。
BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
論文 参考訳(メタデータ) (2020-12-12T09:09:04Z) - 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)
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。