論文の概要: Fuzzy Information Seeded Region Growing for Automated Lesions After
Stroke Segmentation in MR Brain Images
- arxiv url: http://arxiv.org/abs/2311.11742v1
- Date: Mon, 20 Nov 2023 13:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 18:51:04.502058
- Title: Fuzzy Information Seeded Region Growing for Automated Lesions After
Stroke Segmentation in MR Brain Images
- Title（参考訳）: MRI脳画像におけるストロークセグメンテーション後の自動病変に対するファジィ情報シード領域
- Authors: Mario Pascual Gonz\'alez
- Abstract要約: Fuzzy Information Seeded Region Growing (FISRG)アルゴリズムは、脳卒中病変の複雑で不規則な境界を規定する。
実験で得られた最も高いDiceスコアは94.2%であり、アルゴリズムの出力と専門家が検証した基底真理との高い類似性を示している。
FISRG法が脳卒中診断・治療における画像解析の進歩に大きく貢献する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the realm of medical imaging, precise segmentation of stroke lesions from
brain MRI images stands as a critical challenge with significant implications
for patient diagnosis and treatment. Addressing this, our study introduces an
innovative approach using a Fuzzy Information Seeded Region Growing (FISRG)
algorithm. Designed to effectively delineate the complex and irregular
boundaries of stroke lesions, the FISRG algorithm combines fuzzy logic with
Seeded Region Growing (SRG) techniques, aiming to enhance segmentation
accuracy.
The research involved three experiments to optimize the FISRG algorithm's
performance, each focusing on different parameters to improve the accuracy of
stroke lesion segmentation. The highest Dice score achieved in these
experiments was 94.2\%, indicating a high degree of similarity between the
algorithm's output and the expert-validated ground truth. Notably, the best
average Dice score, amounting to 88.1\%, was recorded in the third experiment,
highlighting the efficacy of the algorithm in consistently segmenting stroke
lesions across various slices.
Our findings reveal the FISRG algorithm's strengths in handling the
heterogeneity of stroke lesions. However, challenges remain in areas of abrupt
lesion topology changes and in distinguishing lesions from similar intensity
brain regions. The results underscore the potential of the FISRG algorithm in
contributing significantly to advancements in medical imaging analysis for
stroke diagnosis and treatment.
- Abstract（参考訳）: 医用画像の分野では、脳MRI画像からの脳梗塞の正確な分画は、患者の診断と治療に重要な意味を持つ重要な課題である。
そこで本研究では,Fazy Information Seeded Region Growing (FISRG)アルゴリズムを用いた革新的な手法を提案する。
FISRGアルゴリズムは、脳卒中病変の複雑で不規則な境界を効果的に記述するために設計され、ファジィ論理とSeeded Region Growing (SRG)技術を組み合わせてセグメンテーション精度を向上させる。
この研究にはfisrgアルゴリズムの性能を最適化する3つの実験が含まれており、それぞれ異なるパラメータに焦点を当てて脳卒中病変の分節精度を向上させる。
これらの実験で達成された最も高いdiceスコアは94.2\%であり、アルゴリズムの出力と専門家が検証した基底真理との類似度が高いことを示している。
特に、第3の実験では88.1\%の最高の平均サイコロスコアが記録され、様々なスライスにまたがる脳卒中病変を一貫して分割するアルゴリズムの有効性が強調された。
脳梗塞の均一性に対するFISRGアルゴリズムの強度について検討した。
しかし、突然の病変のトポロジー変化や、同様の強度の脳領域から病変を区別する領域に課題が残っている。
その結果,fisrgアルゴリズムが脳卒中診断・治療における画像解析の進歩に大きく寄与する可能性が示唆された。
関連論文リスト
- Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge [30.611482996378683]
画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。
2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。
トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
論文 参考訳（メタデータ） (2024-03-28T13:56:26Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor
Segmentation [0.8397730500554047]
腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。
我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。
このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-17T08:25:43Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z) - Spinal Metastases Segmentation in MR Imaging using Deep Convolutional
Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。
U-Net様アーキテクチャを用いて40例の臨床検査を行った。
専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文 参考訳（メタデータ） (2020-01-08T10:59:31Z)
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。