論文の概要: Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers
- arxiv url: http://arxiv.org/abs/2312.11467v1
- Date: Thu, 9 Nov 2023 18:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 13:35:15.263027
- Title: Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers
- Title（参考訳）: 視覚変換器を用いたGlioblastoma tumor Segmentation
- Authors: Huafeng Liu (1), Benjamin Dowdell (1), Todd Engelder (1), Zarah
Pulmano (1), Nicolas Osa (1), Arko Barman (1) ((1) Rice University)
- Abstract要約: グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。
Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Glioblastoma is one of the most aggressive and deadliest types of brain
cancer, with low survival rates compared to other types of cancer. Analysis of
Magnetic Resonance Imaging (MRI) scans is one of the most effective methods for
the diagnosis and treatment of brain cancers such as glioblastoma. Accurate
tumor segmentation in MRI images is often required for treatment planning and
risk assessment of treatment methods. Here, we propose a novel pipeline, Brain
Radiology Aided by Intelligent Neural NETworks (BRAINNET), which leverages
MaskFormer, a vision transformer model, and generates robust tumor segmentation
maks. We use an ensemble of nine predictions from three models separately
trained on each of the three orthogonal 2D slice directions (axial, sagittal,
and coronal) of a 3D brain MRI volume. We train and test our models on the
publicly available UPenn-GBM dataset, consisting of 3D multi-parametric MRI
(mpMRI) scans from 611 subjects. Using Dice coefficient (DC) and 95% Hausdorff
distance (HD) for evaluation, our models achieved state-of-the-art results in
segmenting all three different tumor regions -- tumor core (DC = 0.894, HD =
2.308), whole tumor (DC = 0.891, HD = 3.552), and enhancing tumor (DC = 0.812,
HD = 1.608).
- Abstract（参考訳）: グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つであり、他の種類のがんと比較して生存率が低い。
磁気共鳴イメージング(MRI)スキャンの解析は、グリオ芽腫などの脳腫瘍の診断と治療に最も有効な方法の1つである。
mri画像の正確な腫瘍分割は、治療計画や治療方法のリスク評価にしばしば必要である。
本稿では,視覚トランスフォーマーモデルであるマスクフォーマーを活用し,頑健な腫瘍セグメンテーションmakを生成するインテリジェントニューラルネットワーク(brainnet)を用いた新しい脳x線診断パイプラインを提案する。
脳MRIの3つの直交2次元スライス方向(軸方向,矢状方向,コロナ方向)を個別に訓練した3つのモデルから,9つの予測アンサンブルを用いた。
我々は611人の被験者から3次元マルチパラメトリックMRI(mpMRI)スキャンをスキャンしたUPenn-GBMデータセットを用いて、我々のモデルをトレーニングし、テストする。
Dice coefficient (DC) と95% Hausdorff distance (HD) を用いて, 腫瘍コア (DC = 0.894, HD = 2.308) , 腫瘍全体 (DC = 0.891, HD = 3.552) , 造影 (DC = 0.812, HD = 1.608) の3つの異なる腫瘍領域の分画を行った。
関連論文リスト
- Model Ensemble for Brain Tumor Segmentation in Magnetic Resonance Imaging [5.289163833023648]
本研究は3つの課題において,新たな腫瘍症例に対する深層学習に基づくアンサンブル戦略を提案する。
特に、最先端のnnU-NetとSwin UNETRモデルの出力を領域的にアンサンブルする。
PEDでは第1位,MENでは第3位,METでは第4位であった。
論文 参考訳（メタデータ） (2024-09-12T17:24:50Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 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) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳（メタデータ） (2021-07-26T16:51:00Z) - 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) - Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain
Tumor Segmentation in MRI scans [5.586191108738564]
グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。
磁気共鳴画像(MRI)における腫瘍の様々な部位の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。
提案したモデルでは, トレーニングデータセット上でそれぞれ腫瘍, 腫瘍全体, 腫瘍コアを増強するためのDice係数0.59, 0.72, 0.61が得られた。
同じモデルでは、検証データセットではDice Coefficientが0.57、0.73、0.61、テストデータセットでは0.59、0.72、0.57となっている。
論文 参考訳（メタデータ） (2021-01-29T04:53:42Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z) - Brain Tumor Segmentation Network Using Attention-based Fusion and
Spatial Relationship Constraint [19.094164029068462]
マルチモーダルMR画像に基づいて脳腫瘍を頑健に分節する新しいマルチモーダル腫瘍セグメンテーションネットワーク(MMTSN)を開発した。
マルチモーダル脳腫瘍セグメンテーションチャレンジ2020(BraTs 2020)の試験セットについて検討した。
論文 参考訳（メタデータ） (2020-10-29T14:51:10Z) - 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。