論文の概要: Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT

• arxiv url: http://arxiv.org/abs/2401.03302v4
• Date: Tue, 01 Jul 2025 15:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 15:54:39.901373
• Title: Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT
• Title（参考訳）: リアル・イン・アクション: YOLOv8とDeiTを用いた医用画像からの脳腫瘍の異常診断
• Authors: Seyed Mohammad Hossein Hashemi, Leila Safari, Mohsen Hooshmand, Amirhossein Dadashzadeh Taromi,
• Abstract要約: 本稿では,異常耐性腫瘍の検出と分類のための臨床的に着想を得たフレームワークを提案する。 検出は、現実的に不均衡なデータセット上で微調整されたYOLOv8nを活用する。 また,患者レベルでの診断信頼性を評価するPTP(Patent-to-Patient)尺度も提案した。
• 参考スコア（独自算出の注目度）: 0.873811641236639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable diagnosis of brain tumors remains challenging due to low clinical incidence rates of such cases. However, this low rate is neglected in most of proposed methods. We propose a clinically inspired framework for anomaly-resilient tumor detection and classification. Detection leverages YOLOv8n fine-tuned on a realistically imbalanced dataset (1:9 tumor-to-normal ratio; 30,000 MRI slices from 81 patients). In addition, we propose a novel Patient-to-Patient (PTP) metric that evaluates diagnostic reliability at the patient level. Classification employs knowledge distillation: a Data Efficient Image Transformer (DeiT) student model is distilled from a ResNet152 teacher. The distilled ViT achieves an F1-score of 0.92 within 20 epochs, matching near teacher performance (F1=0.97) with significantly reduced computational resources. This end-to-end framework demonstrates high robustness in clinically representative anomaly-distributed data, offering a viable tool that adheres to realistic situations in clinics.
• Abstract（参考訳）: 臨床発生率の低い脳腫瘍の信頼性診断はいまだに困難である。 しかし、この低速度は提案手法のほとんどでは無視される。 本稿では,異常耐性腫瘍の検出と分類のための臨床的に着想を得たフレームワークを提案する。 診断は、現実的に不均衡なデータセット(81例から3万個のMRIスライス)に基づいて、YOLOv8nを微調整する。 また,患者レベルでの診断信頼性を評価するためのPTP(Patent-to-Patient)尺度を提案する。 Data Efficient Image Transformer (DeiT) の学生モデルは ResNet152 の教師から抽出される。 蒸留されたViTは20時間以内に0.92のF1スコアを達成し、教師のパフォーマンス(F1=0.97)と計算資源の大幅な削減を図った。 このエンドツーエンドのフレームワークは、臨床に代表される異常分散データにおいて高い堅牢性を示し、クリニックの現実的な状況に固執する実行可能なツールを提供する。

関連論文リスト

• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Real-Time Brain Tumor Detection in Intraoperative Ultrasound Using YOLO11: From Model Training to Deployment in the Operating Room [13.503074690080453]
  術中超音波(ioUS)は脳腫瘍手術において,術中ワークフローへの能率性,手頃性,シームレスな統合により有用である。 本研究は,手術室に展開可能なリアルタイム脳腫瘍検出システムを開発することにより,ioUS画像の解釈可能性を高めることを目的とした。 脳腫瘍術中データベース(BraTioUS)とパブリックReMINDデータセットから2D ioUS画像の収集を行った。 YOLO11アーキテクチャとその変異体を用いて、脳腫瘍を特定するために物体検出モデルを訓練した。
  論文  参考訳（メタデータ） (2025-01-27T12:29:19Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• 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)
• Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
  パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。 データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。 実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-29T13:33:21Z)
• 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)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• Deep Learning models for benign and malign Ocular Tumor Growth Estimation [3.1558405181807574]
  臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。 ここでは、適切なモデルを選択するための戦略を示す。
  論文  参考訳（メタデータ） (2021-07-09T05:40:25Z)
• A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction [1.41414531071294]
  本論文は、グリオーマ脳腫瘍分節の自動化手法の進歩を調査することを目的としている。 また、ベンチマークに基づいて様々なモデルの客観的評価を行うことも不可欠である。 タスク1のディープニューラルネットワークモデルに対する手作り特徴を用いた脳腫瘍の領域分割の完全域について述べる。
  論文  参考訳（メタデータ） (2021-01-26T07:22:52Z)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)

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。