論文の概要: SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2401.13403v1
- Date: Wed, 24 Jan 2024 11:57:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 14:42:44.446964
- Title: SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation
- Title(参考訳): SEDNet:脳腫瘍分離のための浅層エンコーダデコーダネットワーク
- Authors: Chollette C. Olisah
- Abstract要約: 本稿では,脳腫瘍セグメント化のための浅層エンコーダとデコーダネットワークSEDNetを提案する。
提案するネットワークは,U-Net構造から適応する。
SEDNetは、非励磁性腫瘍コア(NTC)、周膜浮腫(ED)、造影腫瘍(ET)に対して、0.9308、0.9451、0.9026、0.7040、1.2866、0.7762という印象的なダイスとハースドルフスコアを達成している
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite the advancement in computational modeling towards brain tumor
segmentation, of which several models have been developed, it is evident from
the computational complexity of existing models which are still at an all-time
high, that performance and efficiency under clinical application scenarios are
limited. Therefore, this paper proposes a shallow encoder and decoder network
named SEDNet for brain tumor segmentation. The proposed network is adapted from
the U-Net structure. Though brain tumors do not assume complex structures like
the task the traditional U-Net was designed for, their variance in appearance,
shape, and ambiguity of boundaries makes it a compelling complex task to solve.
SEDNet architecture design is inspired by the localized nature of brain tumors
in brain images, thus consists of sufficient hierarchical convolutional blocks
in the encoding pathway capable of learning the intrinsic features of brain
tumors in brain slices, and a decoding pathway with selective skip path
sufficient for capturing miniature local-level spatial features alongside the
global-level features of brain tumor. SEDNet with the integration of the
proposed preprocessing algorithm and optimization function on the BraTS2020 set
reserved for testing achieves impressive dice and Hausdorff scores of 0.9308,
0.9451, 0.9026, and 0.7040, 1.2866, 0.7762 for non-enhancing tumor core (NTC),
peritumoral edema (ED), and enhancing tumor (ET), respectively. Furthermore,
through transfer learning with initialized SEDNet pre-trained weights, termed
SEDNetX, a performance increase is observed. The dice and Hausdorff scores
recorded are 0.9336, 0.9478, 0.9061, 0.6983, 1.2691, and 0.7711 for NTC, ED,
and ET, respectively. With about 1.3 million parameters and impressive
performance in comparison to the state-of-the-art, SEDNet(X) is shown to be
computationally efficient for real-time clinical diagnosis.
- Abstract(参考訳): いくつかのモデルが開発されている脳腫瘍セグメンテーションに対する計算モデリングの進歩にもかかわらず、まだ最高水準にある既存のモデルの計算複雑性から、臨床応用シナリオにおける性能と効率が制限されていることは明らかである。
そこで本研究では,脳腫瘍セグメント化のための浅層エンコーダとデコーダネットワークSEDNetを提案する。
提案するネットワークは,U-Net構造から適応する。
脳腫瘍は従来のu-netが設計したような複雑な構造を想定していないが、その外観、形状、曖昧さのばらつきは、解決すべき複雑な課題である。
sednetアーキテクチャ設計は、脳画像中の脳腫瘍の局所的性質に触発され、脳スライスにおける脳腫瘍の固有特徴を学習可能な符号化経路における十分な階層的畳み込みブロックと、脳腫瘍のグローバルレベル特徴と並行してミニチュアな局所的空間的特徴をキャプチャするのに十分な選択的スキップパスを持つ復号経路から構成される。
提案された前処理アルゴリズムとBraTS2020セットの最適化関数を統合したSEDNetは、それぞれ0.9308、0.9451、0.9026、0.7040、1.2866、0.7762、非エンハンシング腫瘍コア(NTC)、頭蓋周囲浮腫(ED)、拡張腫瘍(ET)をそれぞれ達成した。
さらに、SEDNetXと呼ばれる初期化SEDNet事前学習重みによる転送学習により、性能向上が観測された。
dice と hausdorff のスコアはそれぞれ 0.9336, 0.9478, 0.9061, 0.6983, 1.2691, 0.7711 である。
sednet(x)は最新技術と比較して約130万のパラメータと印象的な性能を有しており、リアルタイム臨床診断において計算効率が高いことが示されている。
関連論文リスト
- Ensemble Learning with Residual Transformer for Brain Tumor Segmentation [2.0654955576087084]
本稿では,トランスフォーマーを自己適応型U-Netに統合する新しいネットワークアーキテクチャを提案する。
BraTS 2021データセット(3D)では、Diceスコアの平均87.6%が達成され、最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2023-07-31T19:47:33Z) - A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor
Segmentation [0.0]
脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。
脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。
ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-16T14:06:45Z) - Brain Tumor MRI Classification using a Novel Deep Residual and Regional
CNN [0.0]
Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。
開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。
実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-29T20:14:13Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳(メタデータ) (2022-11-22T06:42:41Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-13T13:03:09Z) - 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) - Neural network relief: a pruning algorithm based on neural activity [47.57448823030151]
重要でない接続を非活性化する簡易な重要スコア計量を提案する。
MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。
このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
論文 参考訳(メタデータ) (2021-09-22T15:33:49Z) - CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention
Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor
Segmentation [0.10195618602298678]
腫瘍の固有の構造を活用して唾液腺領域を検出することで,チャネルと空間的不斉注意(CASPIAN)を導入する。
また,セマンティックセグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入について検討する。
CASPIANET++は、Dice Scoresが91.19%、腫瘍コアが87.6%、腫瘍が81.03%である。
論文 参考訳(メタデータ) (2021-07-08T20:35:17Z) - 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) - HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。
BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
論文 参考訳(メタデータ) (2020-12-12T09:09:04Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳(メタデータ) (2020-10-30T14:36:10Z)
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。