論文の概要: Generating 3D Brain Tumor Regions in MRI using Vector-Quantization
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2310.01251v1
- Date: Mon, 2 Oct 2023 14:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 21:20:10.834379
- Title: Generating 3D Brain Tumor Regions in MRI using Vector-Quantization
Generative Adversarial Networks
- Title(参考訳): ベクトル量子化によるMRIの3次元脳腫瘍領域の生成
- Authors: Meng Zhou, Matthias W Wagner, Uri Tabori, Cynthia Hawkins, Birgit B
Ertl-Wagner, Farzad Khalvati
- Abstract要約: 本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。
提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
- 参考スコア(独自算出の注目度): 5.380977479547755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image analysis has significantly benefited from advancements in deep
learning, particularly in the application of Generative Adversarial Networks
(GANs) for generating realistic and diverse images that can augment training
datasets. However, the effectiveness of such approaches is often limited by the
amount of available data in clinical settings. Additionally, the common
GAN-based approach is to generate entire image volumes, rather than solely the
region of interest (ROI). Research on deep learning-based brain tumor
classification using MRI has shown that it is easier to classify the tumor ROIs
compared to the entire image volumes. In this work, we present a novel
framework that uses vector-quantization GAN and a transformer incorporating
masked token modeling to generate high-resolution and diverse 3D brain tumor
ROIs that can be directly used as augmented data for the classification of
brain tumor ROI. We apply our method to two imbalanced datasets where we
augment the minority class: (1) the Multimodal Brain Tumor Segmentation
Challenge (BraTS) 2019 dataset to generate new low-grade glioma (LGG) ROIs to
balance with high-grade glioma (HGG) class; (2) the internal pediatric LGG
(pLGG) dataset tumor ROIs with BRAF V600E Mutation genetic marker to balance
with BRAF Fusion genetic marker class. We show that the proposed method
outperforms various baseline models in both qualitative and quantitative
measurements. The generated data was used to balance the data in the brain
tumor types classification task. Using the augmented data, our approach
surpasses baseline models by 6.4% in AUC on the BraTS 2019 dataset and 4.3% in
AUC on our internal pLGG dataset. The results indicate the generated tumor ROIs
can effectively address the imbalanced data problem. Our proposed method has
the potential to facilitate an accurate diagnosis of rare brain tumors using
MRI scans.
- Abstract(参考訳): 医用画像解析は,特にGAN(Generative Adversarial Networks)を用いて,トレーニングデータセットを拡張可能な,現実的で多様な画像を生成することによって,ディープラーニングの進歩の大きな恩恵を受けている。
しかし、そのようなアプローチの有効性は、臨床現場で利用可能なデータ量によって制限されることが多い。
さらに、GANベースの一般的なアプローチは、関心領域(ROI)のみではなく、イメージボリューム全体を生成することである。
MRIを用いた深層学習に基づく脳腫瘍分類の研究により,腫瘍のROIを画像全体と比較して分類しやすくなった。
本研究では,ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて,高分解能で多様な3次元脳腫瘍ROIを生成し,脳腫瘍ROIの分類のための拡張データとして直接使用できる新しいフレームワークを提案する。
本手法をマイノリティクラスを拡大する2つの非バランスなデータセットに適用し,(1)高次グリオーマ (HGG) クラスとバランスをとるために新しい低次グリオーマ (LGG) ROIを生成するためのBraTS (Multimodal Brain tumor Segmentation Challenge) 2019データセット,(2)内科LGG (pLGG) データセット ROI とBRAF V600E 変異遺伝子マーカーを併用してBRAF Fusion 遺伝子マーカークラスとバランスをとる。
提案手法は,質的および定量的な測定において,様々なベースラインモデルに勝ることを示す。
生成されたデータは、脳腫瘍の分類タスクにおけるデータのバランスをとるために使用された。
拡張データを使用することで、BraTS 2019データセットではAUCが6.4%、内部のpLGGデータセットでは4.3%のベースラインモデルを超えています。
その結果, 腫瘍ROIは不均衡なデータ問題に効果的に対処できることが示唆された。
提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
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) - 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) - 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 Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
本稿では,脳腫瘍MRI画像の生成手法について述べる。
その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。
このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
論文 参考訳(メタデータ) (2022-12-04T09:01:33Z) - Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction
From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。
また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文 参考訳(メタデータ) (2022-11-09T14:52:36Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - 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) - Feature-enhanced Generation and Multi-modality Fusion based Deep Neural
Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。
今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。
提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文 参考訳(メタデータ) (2021-11-08T10:59:40Z) - 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) - 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)
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。