Fugu-MT 論文翻訳(概要): Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy

論文の概要: Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy

arxiv url: http://arxiv.org/abs/2401.02537v1
Date: Thu, 4 Jan 2024 20:57:25 GMT
ステータス: 処理完了
システム内更新日: 2024-01-08 16:37:58.486088
Title: Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy
Title（参考訳）: 畳み込みニューラルネットワークにおける特異値分解を用いた脳腫瘍分割精度の向上
Authors: Pegah Ahadian, Maryam Babaei, Kourosh Parand
Abstract要約: 我々は,MSVDアルゴリズムを用いて画像ノイズを低減し,深部ニューラルネットワークを用いて画像中の腫瘍を分割した。提案手法の精度は元の画像と比較すると2.4%向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A brain tumor consists of cells showing abnormal brain growth. The area of the brain tumor significantly affects choosing the type of treatment and following the course of the disease during the treatment. At the same time, pictures of Brain MRIs are accompanied by noise. Eliminating existing noises can significantly impact the better segmentation and diagnosis of brain tumors. In this work, we have tried using the analysis of eigenvalues. We have used the MSVD algorithm, reducing the image noise and then using the deep neural network to segment the tumor in the images. The proposed method's accuracy was increased by 2.4% compared to using the original images. With Using the MSVD method, convergence speed has also increased, showing the proposed method's effectiveness
Abstract（参考訳）: 脳腫瘍は異常な脳の成長を示す細胞からなる。脳腫瘍の面積は、治療の種類の選択と治療中の疾患の経過に大きく影響する。同時に、脳MRIの画像にはノイズが伴っている。既存のノイズの除去は、脳腫瘍の分節化と診断に著しく影響を及ぼす。本研究では,固有値の解析を試みた。我々は,MSVDアルゴリズムを用いて画像ノイズを低減し,深部ニューラルネットワークを用いて画像中の腫瘍を分割した。提案手法の精度は, 従来の画像と比較して2.4%向上した。 MSVD法により収束速度も向上し,提案手法の有効性を示した。

関連論文リスト

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)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks [0.0]
脳の腫瘍はがんなので致命的です。脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
論文参考訳（メタデータ） (2022-08-28T18:24:22Z)
CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
論文参考訳（メタデータ） (2022-07-15T09:35:29Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation [38.785081940984135]
我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
論文参考訳（メタデータ） (2021-08-16T03:54:52Z)
Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of Human Brain WholeTumor Segmentation [2.869946954477617]
医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。脳腫瘍は早期に検出された場合、悪性または良性であることが多い。本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
論文参考訳（メタデータ） (2020-09-13T23:44:16Z)
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)
Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture [0.0]
深層学習アーキテクチャを用いた脳腫瘍セグメンテーションによる腫瘍セグメンテーションの問題点を考察する。提案されたアーキテクチャは単純で計算が容易だが、$IoU$レベル0.95に達することができる。
論文参考訳（メタデータ） (2020-03-17T20:55:48Z)
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)
Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales [12.463038471051478]
頭蓋内腫瘍は、通常は制御不能に増殖する細胞群である。脳腫瘍の早期発見と評価はMRI(MRI)による予防に不可欠である
論文参考訳（メタデータ） (2020-02-05T20:00:40Z)

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。