論文の概要: Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in
Sub-Sharan African Populations
- arxiv url: http://arxiv.org/abs/2312.11775v1
- Date: Tue, 19 Dec 2023 01:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 17:21:32.300026
- Title: Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in
Sub-Sharan African Populations
- Title（参考訳）: SAMBAに向けて:サブシャランアフリカにおける脳腫瘍分離のセグメンテーションモデル
- Authors: Mohannad Barakat, Noha Magdy, Jjuuko George William, Ethel Phiri,
Raymond Confidence, Dong Zhang and Udunna C Anazodo
- Abstract要約: 最も一般的な原発性脳腫瘍であるグリオーマは、診断と治療計画のために正確なセグメンテーションを必要とする。
本稿では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。
我が国の方法論は,アフリカなどの資源制限環境での臨床実践に大きな影響を与える可能性がある。
- 参考スコア（独自算出の注目度）: 4.567712492463603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gliomas, the most prevalent primary brain tumors, require precise
segmentation for diagnosis and treatment planning. However, this task poses
significant challenges, particularly in the African population, were limited
access to high-quality imaging data hampers algorithm performance. In this
study, we propose an innovative approach combining the Segment Anything Model
(SAM) and a voting network for multi-modal glioma segmentation. By fine-tuning
SAM with bounding box-guided prompts (SAMBA), we adapt the model to the
complexities of African datasets. Our ensemble strategy, utilizing multiple
modalities and views, produces a robust consensus segmentation, addressing
intra-tumoral heterogeneity. Although the low quality of scans presents
difficulties, our methodology has the potential to profoundly impact clinical
practice in resource-limited settings such as Africa, improving treatment
decisions and advancing neuro-oncology research. Furthermore, successful
application to other brain tumor types and lesions in the future holds promise
for a broader transformation in neurological imaging, improving healthcare
outcomes across all settings. This study was conducted on the Brain Tumor
Segmentation (BraTS) Challenge Africa (BraTS-Africa) dataset, which provides a
valuable resource for addressing challenges specific to resource-limited
settings, particularly the African population, and facilitating the development
of effective and more generalizable segmentation algorithms. To illustrate our
approach's potential, our experiments on the BraTS-Africa dataset yielded
compelling results, with SAM attaining a Dice coefficient of 86.6 for binary
segmentation and 60.4 for multi-class segmentation.
- Abstract（参考訳）: 最も一般的な脳腫瘍であるグリオーマは、診断と治療計画のために正確な分割を必要とする。
しかし、この課題は、特にアフリカの人口において、高品質な画像データハッパーアルゴリズムのパフォーマンスに制限されるという重大な課題を引き起こしている。
本研究では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。
SAMBA(bounding box-guided prompts)を用いてSAMを微調整することにより、アフリカのデータセットの複雑さにモデルを適用する。
複数のモダリティとビューを利用するアンサンブル戦略は,腫瘍内不均一性に対処する,堅牢なコンセンサスセグメンテーションを生み出す。
低品質のスキャンは困難を呈するが,我々の手法は,アフリカなどの資源制限された環境での臨床実践に大きな影響を与える可能性がある。
さらに、将来他の脳腫瘍のタイプや病変への応用が成功すれば、神経画像の広範な変化が期待でき、すべての設定で医療結果が改善される。
この研究はBraTS Challenge Africa (BraTS-Africa)データセット上で行われ、資源制限された設定、特にアフリカ人集団に特有の課題に対処し、効果的でより一般化可能なセグメンテーションアルゴリズムの開発を促進するための貴重なリソースを提供する。
アプローチの可能性を説明するため,BraTS-Africaデータセットを用いた実験では,二分法ではDice係数が86.6,複数クラスのセグメンテーションでは60.4に達した。
関連論文リスト
- On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks [0.9304666952022026]
本研究は、BraTS-GoATチャレンジの一環として、脳腫瘍セグメンテーション法を提案する。
課題は、成人、小児科、サハラ以南のアフリカなどの様々な集団から脳MRIスキャンで腫瘍を抽出することである。
実験の結果, 平均DSCは85.54%, HD95は27.88。
論文 参考訳（メタデータ） (2024-05-05T08:55:00Z) - Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner
UNet [0.29998889086656577]
本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
論文 参考訳（メタデータ） (2024-01-12T10:46:19Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - 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) - Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。
私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文 参考訳（メタデータ） (2020-07-04T13:39:48Z) - Heterogeneity Loss to Handle Intersubject and Intrasubject Variability
in Cancer [11.440201348567681]
深層学習(DL)モデルは、医学領域において顕著な結果を示している。
これらのAI手法は、開発途上国に安価な医療ソリューションとして大きな支援を提供することができる。
この研究は、そのような血液がん診断の応用に焦点をあてている。
論文 参考訳（メタデータ） (2020-03-06T16:16:23Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z) - 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)
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。