論文の概要: How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation

• arxiv url: http://arxiv.org/abs/2402.17317v2
• Date: Wed, 17 Jul 2024 14:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 22:39:10.132335
• Title: How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation
• Title（参考訳）: 成人グリオーマにおけるBraTS 2023の勝利
• Authors: André Ferreira, Naida Solak, Jianning Li, Philipp Dammann, Jens Kleesiek, Victor Alves, Jan Egger,
• Abstract要約: ディープラーニングは、脳腫瘍をセグメント化するための最先端技術である。 大量の高品質なデータが必要ですが、入手は困難です。 我々は、データ拡張に非従来的なメカニズムを用いることで、この問題に対処する。
• 参考スコア（独自算出の注目度）: 2.063757582116522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning is the state-of-the-art technology for segmenting brain tumours. However, this requires a lot of high-quality data, which is difficult to obtain, especially in the medical field. Therefore, our solutions address this problem by using unconventional mechanisms for data augmentation. Generative adversarial networks and registration are used to massively increase the amount of available samples for training three different deep learning models for brain tumour segmentation, the first task of the BraTS2023 challenge. The first model is the standard nnU-Net, the second is the Swin UNETR and the third is the winning solution of the BraTS 2021 Challenge. The entire pipeline is built on the nnU-Net implementation, except for the generation of the synthetic data. The use of convolutional algorithms and transformers is able to fill each other's knowledge gaps. Using the new metric, our best solution achieves the dice results 0.9005, 0.8673, 0.8509 and HD95 14.940, 14.467, 17.699 (whole tumour, tumour core and enhancing tumour) in the validation set.
• Abstract（参考訳）: Deep Learningは、脳腫瘍をセグメント化するための最先端技術である。 しかし、これは多くの高品質なデータを必要としており、特に医療分野では入手が困難である。 そこで本研究では,データ拡張のための非従来的メカニズムを用いてこの問題に対処する。 生成的敵ネットワークと登録は、BraTS2023チャレンジの最初のタスクである脳腫瘍セグメンテーションのための3つの異なるディープラーニングモデルをトレーニングするための利用可能なサンプルの量を大幅に増やすために使用される。 最初のモデルは標準のnnU-Net、2番目はSwin UNETR、3番目はBraTS 2021 Challengeの勝利のソリューションである。 パイプライン全体は、合成データの生成を除いて、nnU-Net実装に基づいて構築されている。 畳み込みアルゴリズムと変圧器は互いの知識ギャップを埋めることができる。 新しい測定値を用いて, 有効解法は, 検証セットで0.9005, 0.8673, 0.8509, HD95 14.940, 14.467, 17.699 (全腫瘍, 腫瘍コア, 造影腫瘍) が得られる。

関連論文リスト

• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation [2.0886519175557368]
  我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。 このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。 検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
  論文  参考訳（メタデータ） (2024-02-10T18:03:15Z)
• Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
  本稿では,脳腫瘍MRI画像の生成手法について述べる。 その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。 このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
  論文  参考訳（メタデータ） (2022-12-04T09:01:33Z)
• 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)
• HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
  我々は,HNF-NetをHNF-Netv2に拡張する。 我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
  論文  参考訳（メタデータ） (2022-02-10T06:34:32Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• Extending nn-UNet for brain tumor segmentation [1.218340575383456]
  本稿では2021年の脳腫瘍セグメンテーションコンペティションへの貢献について述べる。 我々は,昨年の優勝コンペティションであるnn-UNetをベースとした手法を開発した。 提案されたモデルは、未確認のテストデータの最終ランキングで1位を獲得した。
  論文  参考訳（メタデータ） (2021-12-09T01:51:52Z)
• 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)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。