Fugu-MT 論文翻訳(概要): Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection

論文の概要: Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection

arxiv url: http://arxiv.org/abs/2404.05763v1
Date: Sat, 6 Apr 2024 15:09:49 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 18:58:15.275364
Title: Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection
Title（参考訳）: 深層学習に基づく自動腫瘍検出のための脳画像分割
Authors: Suman Sourabh, Murugappan Valliappan, Narayana Darapaneni, Anwesh R P,
Abstract要約: 目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。提案手法は,性能向上と一般化性向上のために前処理技術を適用した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Introduction: The present study on the development and evaluation of an automated brain tumor segmentation technique based on deep learning using the 3D U-Net model. Objectives: The objective is to leverage state-of-the-art convolutional neural networks (CNNs) on a large dataset of brain MRI scans for segmentation. Methods: The proposed methodology applies pre-processing techniques for enhanced performance and generalizability. Results: Extensive validation on an independent dataset confirms the model's robustness and potential for integration into clinical workflows. The study emphasizes the importance of data pre-processing and explores various hyperparameters to optimize the model's performance. The 3D U-Net, has given IoUs for training and validation dataset have been 0.8181 and 0.66 respectively. Conclusion: Ultimately, this comprehensive framework showcases the efficacy of deep learning in automating brain tumour detection, offering valuable support in clinical practice.
Abstract（参考訳）: 紹介:3D U-Netモデルを用いた深層学習に基づく脳腫瘍自動分節法の開発と評価に関する研究。目的: 目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。方法: 提案手法は, 性能向上と一般化性向上のために前処理技術を適用する。結果: 独立したデータセットに対する広範囲な検証は、モデルの堅牢性と臨床ワークフローへの統合の可能性を確認する。この研究は、データ前処理の重要性を強調し、モデルの性能を最適化するために様々なハイパーパラメータを探索する。 3D U-Netは、トレーニングと検証データセットにIoUを付与しており、それぞれ0.8181と0.66である。結論: この包括的枠組みは、脳腫瘍検出の自動化におけるディープラーニングの有効性を示し、臨床実践において貴重な支援を提供する。

関連論文リスト

A Multi-Dataset Classification-Based Deep Learning Framework for Electronic Health Records and Predictive Analysis in Healthcare [0.5999777817331317]
本研究では,複数のデータセットを分類するための新しいディープラーニング予測分析フレームワークを提案する。 Residual NetworksとArtificial Neural Networksを組み合わせたハイブリッドディープラーニングモデルを提案し,急性および慢性疾患を検出する。厳密な実験と評価の結果,網膜基底像,肝硬変ステージ,心疾患診断予測では,93%,99%,95%の精度が得られた。
論文参考訳（メタデータ） (2024-09-25T08:13:39Z)
Enhanced Deep Learning Methodologies and MRI Selection Techniques for Dementia Diagnosis in the Elderly Population [5.103059984821972]
3次元脳磁気共鳴画像(MRI)による認知症・非認知症高齢者の分類法を提案する。提案手法は,MRIスライスを選択的に処理し,最も関連性の高い脳領域に着目し,少ない情報領域を除外するユニークな手法である。この方法論は、3つのカスタムディープラーニングモデルからなる信頼に基づく分類委員会によって補完される。
論文参考訳（メタデータ） (2024-07-24T14:48:40Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Brain MRI Segmentation using Template-Based Training and Visual Perception Augmentation [0.0]
我々は,1つの脳MRIテンプレートとその関連セグメンテーションラベルを用いて,スクラッチから3次元U-Netモデルをトレーニングするためのテンプレートベースのトレーニング手法を提案する。我々は,マウス,ラット,マーモセット,リース,ヒト脳MRIの3次元U-Netモデルを訓練し,頭蓋切除,脳分節,組織確率マッピングなどのセグメンテーションタスクを達成した。
論文参考訳（メタデータ） (2023-08-04T14:53:20Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文参考訳（メタデータ） (2022-08-30T16:06:07Z)
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)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation [15.059891142682117]
本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。提案手法は,3次元医用画像分割の課題に対して有効である。
論文参考訳（メタデータ） (2020-06-10T14:24:06Z)
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。