論文の概要: MRI brain tumor segmentation using informative feature vectors and
kernel dictionary learning
- arxiv url: http://arxiv.org/abs/2310.10963v1
- Date: Tue, 17 Oct 2023 03:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 17:41:50.423018
- Title: MRI brain tumor segmentation using informative feature vectors and
kernel dictionary learning
- Title（参考訳）: 情報的特徴ベクトルとカーネル辞書学習を用いたMRI脳腫瘍のセグメンテーション
- Authors: Seyedeh Mahya Mousavi, Mohammad Mostafavi
- Abstract要約: 磁気共鳴画像(MRI)における脳腫瘍領域分割のためのカーネル辞書学習アルゴリズムに基づく方法
特徴ベクトルの最も情報的で識別性の高いサブセットを特定するために,相関に基づくサンプル選択手法を開発した。
線形分類器を用いて、学習辞書に基づいて、健康な画素と不健康な画素を区別する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a method based on a kernel dictionary learning algorithm
for segmenting brain tumor regions in magnetic resonance images (MRI). A set of
first-order and second-order statistical feature vectors are extracted from
patches of size 3 * 3 around pixels in the brain MRI scans. These feature
vectors are utilized to train two kernel dictionaries separately for healthy
and tumorous tissues. To enhance the efficiency of the dictionaries and reduce
training time, a correlation-based sample selection technique is developed to
identify the most informative and discriminative subset of feature vectors.
This technique aims to improve the performance of the dictionaries by selecting
a subset of feature vectors that provide valuable information for the
segmentation task. Subsequently, a linear classifier is utilized to distinguish
between healthy and unhealthy pixels based on the learned dictionaries. The
results demonstrate that the proposed method outperforms other existing methods
in terms of segmentation accuracy and significantly reduces both the time and
memory required, resulting in a remarkably fast training process.
- Abstract（参考訳）: 本稿では,磁気共鳴画像(MRI)における脳腫瘍領域のセグメント化のためのカーネル辞書学習アルゴリズムを提案する。
脳MRIスキャンの画素周囲の大きさ3×3のパッチから一階統計特徴ベクトルと二階統計特徴ベクトルのセットを抽出する。
これらの特徴ベクトルは、健康組織と腫瘍組織のために2つのカーネル辞書を個別に訓練するために利用される。
辞書の効率を高め、トレーニング時間を短縮するために、相関に基づくサンプル選択手法を開発し、特徴ベクトルの最も情報的で識別性の高いサブセットを特定する。
本手法は,セグメンテーションタスクに有用な情報を提供する特徴ベクトルのサブセットを選択することにより,辞書の性能を向上させることを目的とする。
その後、線形分類器を用いて、学習辞書に基づいて、健康な画素と不健康な画素を区別する。
その結果,提案手法はセグメント化精度において他の既存手法よりも優れており,必要な時間とメモリの両方を著しく削減できることがわかった。
関連論文リスト
- Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
トポロジカルデータ解析(TDA)を用いたMRI画像の分割法について述べる。
これは3つのステップで機能し、まずは自動しきい値設定によってオブジェクト全体をセグメントに識別し、次に事前にトポロジが知られている特定の部分集合を検出し、最後にセグメンテーションの様々な成分を推論する。
脳MRIにおけるグリオブラスト腫分画の例について検討し、2次元スライスが円である胎児脳MRIにおいて、シリンダーを含む心臓MRIにおける心筋、および皮質プレート検出について検討した。
論文 参考訳（メタデータ） (2024-01-02T11:43:49Z) - SelfSeg: A Self-supervised Sub-word Segmentation Method for Neural
Machine Translation [51.881877192924414]
サブワードセグメンテーションはニューラルマシン翻訳(NMT)に不可欠な前処理ステップである
本稿では,自己教師型ニューラルネットワークサブワードセグメンテーション手法であるSelfSegを紹介する。
SelfSegはトレーニング/デコードがはるかに高速で、並列コーパスの代わりに単言語辞書のみを必要とする。
論文 参考訳（メタデータ） (2023-07-31T04:38:47Z) - Neural Gas Network Image Features and Segmentation for Brain Tumor
Detection Using Magnetic Resonance Imaging Data [0.0]
本研究は,画像コントラスト強調のためのメタヒューリスティックファイアフライアルゴリズム(FA)を前処理として用いた。
また,SVM(Support Vector Machine)分類アルゴリズムを用いて腫瘍分類を行い,深層学習手法と比較した。
95.14 %の分類精度と0.977のセグメンテーション精度を提案手法により達成した。
論文 参考訳（メタデータ） (2023-01-28T12:16:37Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2022-05-19T14:42:49Z) - 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) - Machine Learning Based on Natural Language Processing to Detect Cardiac
Failure in Clinical Narratives [0.2936007114555107]
この研究の目的は、患者が心不全または健康な状態を有するかどうかを自動的に検出する機械学習アルゴリズムを開発することである。
bag-of-word (BoW), term frequency inverse document frequency (TFIDF), and neural word embeddeddings (word2vec) を用いて単語表現学習を行った。
提案されたフレームワークは、ac、pre、rec、f1がそれぞれ84%、82%、85%、83%の全体的な分類性能を達成した。
論文 参考訳（メタデータ） (2021-04-08T17:28:43Z) - Accelerating Text Mining Using Domain-Specific Stop Word Lists [57.76576681191192]
本稿では,超平面的アプローチと呼ばれるドメイン固有語の自動抽出手法を提案する。
ハイパープレーンベースのアプローチは、無関係な特徴を排除することによって、テキストの寸法を著しく削減することができる。
その結果,超平面型アプローチはコーパスの寸法を90%削減し,相互情報より優れることがわかった。
論文 参考訳（メタデータ） (2020-11-18T17:42:32Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z) - 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)
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。