論文の概要: Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation

• arxiv url: http://arxiv.org/abs/2403.09136v3
• Date: Wed, 09 Oct 2024 00:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:26:47.129209
• Title: Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation
• Title（参考訳）: 脳腫瘍切除における病理組織学的正則化の意義
• Authors: Lipei Zhang, Yanqi Cheng, Lihao Liu, Carola-Bibiane Schönlieb, Angelica I Aviles-Rivero,
• Abstract要約: 本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。 本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。 我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 10.466349398419846
• License:
• Abstract: Recent advances in deep learning have significantly improved brain tumour segmentation techniques; however, the results still lack confidence and robustness as they solely consider image data without biophysical priors or pathological information. Integrating biophysics-informed regularisation is one effective way to change this situation, as it provides an prior regularisation for automated end-to-end learning. In this paper, we propose a novel approach that designs brain tumour growth Partial Differential Equation (PDE) models as a regularisation with deep learning, operational with any network model. Our method introduces tumour growth PDE models directly into the segmentation process, improving accuracy and robustness, especially in data-scarce scenarios. This system estimates tumour cell density using a periodic activation function. By effectively integrating this estimation with biophysical models, we achieve better capture of tumour characteristics. This approach not only aligns the segmentation closer to actual biological behaviour but also strengthens the model's performance under limited data conditions. We demonstrate the effectiveness of our framework through extensive experiments on the BraTS 2023 dataset, showcasing significant improvements in both precision and reliability of tumour segmentation.
• Abstract（参考訳）: 近年の深層学習の進歩は脳腫瘍のセグメンテーション技術を大幅に改善しているが, 画像データのみを生物物理学的先行情報や病理学的情報なしで考えると, 信頼性や堅牢性に欠ける。 バイオフィジカルインフォームド・正規化を統合することは、自動化されたエンドツーエンド学習の事前正規化を提供するため、この状況を変える効果的な方法の1つである。 本稿では,脳腫瘍進展部分微分方程式(PDE)モデルを,ディープラーニングを用いた正規化モデルとして設計し,任意のネットワークモデルで運用する手法を提案する。 本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。 本システムは周期活性化関数を用いて腫瘍細胞の密度を推定する。 この推定を生物物理モデルと効果的に統合することにより,腫瘍特性の捕集性が向上する。 このアプローチは、セグメント化を実際の生物学的挙動に近づけるだけでなく、限られたデータ条件下でのモデルの性能を強化する。 我々はBraTS 2023データセットの広範囲な実験を通じて,我々のフレームワークの有効性を実証し,腫瘍セグメンテーションの精度と信頼性を両立させた。

関連論文リスト

• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Enhancing Transformer-Based Segmentation for Breast Cancer Diagnosis using Auto-Augmentation and Search Optimisation Techniques [3.495246564946556]
  本稿では,自動画像強調選択(RandAugment)と検索戦略(Tree-based Parzen Estimator)を組み合わせた手法を提案する。 乳がん組織学的スライスに対するアプローチを実験的に検証し,がん細胞の分節化に着目した。 以上の結果から,提案手法は組織スライドの変動に対してより回復力のあるセグメンテーションモデルに導かれることが示唆された。
  論文  参考訳（メタデータ） (2023-11-18T13:08:09Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• 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)
• SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
  本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
  論文  参考訳（メタデータ） (2022-10-28T17:03:04Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 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)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。