論文の概要: Integrating Edges into U-Net Models with Explainable Activation Maps for
Brain Tumor Segmentation using MR Images
- arxiv url: http://arxiv.org/abs/2401.01303v1
- Date: Tue, 2 Jan 2024 17:30:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 13:27:50.993251
- Title: Integrating Edges into U-Net Models with Explainable Activation Maps for
Brain Tumor Segmentation using MR Images
- Title(参考訳): mr画像を用いた脳腫瘍セグメンテーションのための説明可能なアクティベーションマップを用いたエッジのu-netモデルへの統合
- Authors: Subin Sahayam and Umarani Jayaraman
- Abstract要約: 医用画像のセマンティックセグメンテーションのためのU-Netとその変種は,本研究で良好な成果を上げている。
腫瘍の縁は、正確な診断、外科的精度、治療計画のための腫瘍領域と同じくらい重要である。
U-NetやV-Netのようなベースラインモデルでトレーニングされたエッジトレーニングモデルの性能は、ベースライン・オブ・ザ・アートモデルと同様のパフォーマンスを達成した。
- 参考スコア(独自算出の注目度): 1.223779595809275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Manual delineation of tumor regions from magnetic resonance (MR) images is
time-consuming, requires an expert, and is prone to human error. In recent
years, deep learning models have been the go-to approach for the segmentation
of brain tumors. U-Net and its' variants for semantic segmentation of medical
images have achieved good results in the literature. However, U-Net and its'
variants tend to over-segment tumor regions and may not accurately segment the
tumor edges. The edges of the tumor are as important as the tumor regions for
accurate diagnosis, surgical precision, and treatment planning. In the proposed
work, the authors aim to extract edges from the ground truth using a
derivative-like filter followed by edge reconstruction to obtain an edge ground
truth in addition to the brain tumor ground truth. Utilizing both ground
truths, the author studies several U-Net and its' variant architectures with
and without tumor edges ground truth as a target along with the tumor ground
truth for brain tumor segmentation. The author used the BraTS2020 benchmark
dataset to perform the study and the results are tabulated for the dice and
Hausdorff95 metrics. The mean and median metrics are calculated for the whole
tumor (WT), tumor core (TC), and enhancing tumor (ET) regions. Compared to the
baseline U-Net and its variants, the models that learned edges along with the
tumor regions performed well in core tumor regions in both training and
validation datasets. The improved performance of edge-trained models trained on
baseline models like U-Net and V-Net achieved performance similar to baseline
state-of-the-art models like Swin U-Net and hybrid MR-U-Net. The edge-target
trained models are capable of generating edge maps that can be useful for
treatment planning. Additionally, for further explainability of the results,
the activation map generated by the hybrid MR-U-Net has been studied.
- Abstract(参考訳): 磁気共鳴(MR)画像から腫瘍領域を手動で切り離すのに時間がかかり、専門家が必要であり、人的ミスをしがちである。
近年、深層学習モデルが脳腫瘍の分節化のゴーツーアプローチとなっている。
医用画像のセマンティクスセグメンテーションのためのu-netとその変種は、文献において良好な結果を得た。
しかし、u-netとその変異体は腫瘍領域を過小評価する傾向があり、腫瘍端を正確に区分することができない。
腫瘍の縁は、正確な診断、外科的精度、治療計画のための腫瘍領域と同じくらい重要である。
本研究は,脳腫瘍の基底真理に加えて,基底真理を導出するために,微分型フィルタとエッジ再構成を用いて基底真理からエッジを抽出することを目的としている。
基礎的真理の両立を利用して,脳腫瘍分節のための腫瘍基底真理とともに,腫瘍エッジを標的としたu-netとitsの変種アーキテクチャについて検討した。
著者はbrats2020ベンチマークデータセットを使用して研究を行い、結果はdiceとhausdorff95メトリクスに集計された。
腫瘍全体 (WT) , 腫瘍コア (TC) , 腫瘍領域の増強 (ET) について, 平均および中央値が算出される。
ベースラインのU-Netとその変種と比較して、エッジと腫瘍領域を学習したモデルは、トレーニングと検証の両方のデータセットにおいて、コア腫瘍領域でよく機能した。
U-NetやV-Netのようなベースラインモデルでトレーニングされたエッジトレーニングモデルの性能は、Swin U-NetやMR-U-Netのようなベースラインの最先端モデルと同様のパフォーマンスを達成した。
エッジターゲットトレーニングされたモデルは、治療計画に有用なエッジマップを生成することができる。
さらに, MR-U-Netが生成する活性化マップについて, さらなる説明可能性について検討した。
関連論文リスト
- Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-05-22T02:46:26Z) - Self-calibrated convolution towards glioma segmentation [45.74830585715129]
我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2024-02-07T19:51:13Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-08-14T15:29:32Z) - Comparative Analysis of Segment Anything Model and U-Net for Breast
Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。
U-Netモデルは医用画像セグメンテーション用に特別に設計されている。
事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
論文 参考訳(メタデータ) (2023-06-21T18:49:21Z) - Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation [0.9176056742068814]
U-Netに基づく新しいエンド・ツー・エンド脳腫瘍セグメンテーションアーキテクチャを提案する。
提案モデルでは, 腫瘍コアと全腫瘍セグメンテーションについて, 最先端のU-Netモデルよりも有意に優れた性能を示した。
論文 参考訳(メタデータ) (2021-08-15T16:04:09Z) - 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) - Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma [8.24450401153384]
本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
論文 参考訳(メタデータ) (2021-01-21T18:14:43Z) - 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) - 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) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。