論文の概要: Tumor-Centered Patching for Enhanced Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2308.12168v1
- Date: Wed, 23 Aug 2023 14:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 13:57:56.675579
- Title: Tumor-Centered Patching for Enhanced Medical Image Segmentation
- Title(参考訳): 造影画像分割のための腫瘍中心パッチング
- Authors: Mutyyba Asghar (1), Ahmad Raza Shahid (1), Akhtar Jamil (1), Kiran
Aftab (2) and Syed Ather Enam (2) ((1) National University of Computer and
Emerging Sciences, (2) The Aga Khan University)
- Abstract要約: 本研究は、パッチベースの画像解析のための腫瘍自体を中心にした革新的なアプローチを導入する。
腫瘍の解剖学的文脈にパッチを合わせることにより、この技術は特徴抽出の精度を高め、計算負荷を低減する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The realm of medical image diagnosis has advanced significantly with the
integration of computer-aided diagnosis and surgical systems. However,
challenges persist, particularly in achieving precise image segmentation. While
deep learning techniques show potential, obstacles like limited resources, slow
convergence, and class imbalance impede their effectiveness. Traditional
patch-based methods, though common, struggle to capture intricate tumor
boundaries and often lead to redundant samples, compromising computational
efficiency and feature quality. To tackle these issues, this research
introduces an innovative approach centered on the tumor itself for patch-based
image analysis. This novel tumor-centered patching method aims to address the
class imbalance and boundary deficiencies, enabling focused and accurate tumor
segmentation. By aligning patches with the tumor's anatomical context, this
technique enhances feature extraction accuracy and reduces computational load.
Experimental results demonstrate improved class imbalance, with segmentation
scores of 0.78, 0.76, and 0.71 for whole, core, and enhancing tumors,
respectively using a lightweight simple U-Net. This approach shows potential
for enhancing medical image segmentation and improving computer-aided diagnosis
systems.
- Abstract(参考訳): 医療画像診断の領域は,コンピュータ支援診断と手術システムの統合により大きく進歩している。
しかし、特に正確な画像セグメンテーションを達成する際には、課題は継続する。
ディープラーニングの技術は潜在的な可能性を示しているが、限られたリソース、遅い収束、クラス不均衡などの障害は、その効果を阻害する。
従来のパッチベースの手法は、一般的には、複雑な腫瘍の境界を捉え、しばしば冗長なサンプルを導き、計算効率と特徴品質を損なう。
これらの問題に対処するため,本研究は,腫瘍自体に着目した,パッチベース画像解析のための革新的なアプローチを導入する。
この新規な腫瘍中心パッチ法では, クラス不均衡と境界欠陥に対処し, 集束的かつ高精度な腫瘍分画が可能となる。
パッチを腫瘍の解剖学的文脈と整合させることにより, 特徴抽出精度を高め, 計算負荷を低減する。
実験の結果, 軽量U-Netを用いて, 腫瘍全体のセグメンテーションスコアは0.78, 0.76, 0.71と改善された。
このアプローチは、医療画像分割の強化とコンピュータ支援診断システムの改善の可能性を示唆する。
関連論文リスト
- 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) - Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。
Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。
その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
論文 参考訳(メタデータ) (2023-07-26T16:11:51Z) - A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor
Segmentation [0.0]
脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。
脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。
ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-16T14:06:45Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳(メタデータ) (2020-02-26T14:10:40Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。