論文の概要: LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2404.05911v2
• Date: Mon, 25 Nov 2024 15:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:14:29.354663
• Title: LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation
• Title（参考訳）: LATUP-Net:脳腫瘍切除のための並列畳み込みを用いた軽量3次元注意U-Net
• Authors: Ebtihal J. Alwadee, Xianfang Sun, Yipeng Qin, Frank C. Langbein,
• Abstract要約: LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
• 参考スコア（独自算出の注目度）: 7.1789008189318455
• License:
• Abstract: Early-stage 3D brain tumor segmentation from magnetic resonance imaging (MRI) scans is crucial for prompt and effective treatment. However, this process faces the challenge of precise delineation due to the tumors' complex heterogeneity. Moreover, energy sustainability targets and resource limitations, especially in developing countries, require efficient and accessible medical imaging solutions. The proposed architecture, a Lightweight 3D ATtention U-Net with Parallel convolutions, LATUP-Net, addresses these issues. It is specifically designed to reduce computational requirements significantly while maintaining high segmentation performance. By incorporating parallel convolutions, it enhances feature representation by capturing multi-scale information. It further integrates an attention mechanism to refine segmentation through selective feature recalibration. LATUP-Net achieves promising segmentation performance: the average Dice scores for the whole tumor, tumor core, and enhancing tumor on the BraTS 2020 dataset are 88.41%, 83.82%, and 73.67%, and on the BraTS 2021 dataset, they are 90.29%, 89.54%, and 83.92%, respectively. Hausdorff distance metrics further indicate its improved ability to delineate tumor boundaries. With its significantly reduced computational demand using only 3.07M parameters, about 59 times fewer than other state-of-the-art models, and running on a single NVIDIA GeForce RTX3060 12GB GPU, LATUP-Net requires just 15.79 GFLOPs. This makes it a promising solution for real-world clinical applications, particularly in settings with limited resources. Investigations into the model's interpretability, utilizing gradient-weighted class activation mapping and confusion matrices, reveal that while attention mechanisms enhance the segmentation of small regions, their impact is nuanced. Achieving the most [...]. The code is available at https://qyber.black/ca/code-bca.
• Abstract（参考訳）: MRI(MRI)スキャンによる早期3次元脳腫瘍の分画は、迅速かつ効果的な治療に不可欠である。 しかし、このプロセスは、腫瘍の複雑な不均一性のために正確なデライン化の課題に直面している。 さらに、特に発展途上国におけるエネルギー持続可能性目標と資源制限は、効率的かつアクセス可能な医療イメージングソリューションを必要とする。 提案されたアーキテクチャ、軽量な3DアテンションU-Netと並列畳み込み、LATUP-Netはこれらの問題に対処する。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 並列畳み込みを取り入れることで、マルチスケール情報をキャプチャすることで特徴表現を強化する。 さらに、選択的特徴補正を通じてセグメンテーションを洗練するための注意機構を統合する。 LATUP-Netは有望なセグメンテーション性能を達成しており、BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。 ハウスドルフ距離測定は、腫瘍の境界線を規定する改良された能力を示している。 3.07Mパラメータしか使用せず、他の最先端モデルの約59倍も小さく、NVIDIA GeForce RTX3060 12GB GPU上で動作するため、LATUP-Netは15.79 GFLOPしか必要としない。 これにより、実際の臨床応用、特に限られたリソースの環境では有望なソリューションとなる。 勾配重み付きクラスアクティベーションマッピングと混乱行列を用いたモデルの解釈可能性の検討により、注意機構が小領域のセグメンテーションを促進する一方で、それらの影響はニュアンス化されていることが明らかとなった。 一番の達成[...]. コードはhttps://qyber.black/ca/code-bcaで入手できる。

関連論文リスト

• Multimodal 3D Brain Tumor Segmentation with Adversarial Training and Conditional Random Field [44.027635932094064]
  正確なセグメンテーションのためのマルチモーダル3次元ボリューム生成適応ネットワーク(3D-vGAN)を提案する。 このモデルは、Pseudo-3DをV-netの改良に利用し、生成後の条件付きランダムフィールドを追加し、元のイメージを補助的なガイダンスとして利用する。 BraTS-2018データセットによる結果は、3D-vGANがU-net、Gan、FCN、および3D V-netなどの古典的セグメンテーションモデルより優れており、99.8%以上に達したことを示している。
  論文  参考訳（メタデータ） (2024-11-21T18:52:02Z)
• MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
  本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。 モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
  論文  参考訳（メタデータ） (2024-11-04T09:03:43Z)
• 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)
• PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation [6.134314911212846]
  現在の最先端の医用画像分割法は精度を優先するが、計算要求の増大とより大きなモデルサイズを犠牲にすることも多い。 計算冗長性を避けつつグローバルな局所特徴処理のバランスをとる新しい医用画像分割モデルPMFSNetを提案する。 長期依存関係をキャプチャするために,アテンション機構に基づいたマルチスケール機能拡張モジュールであるPMFSブロックをプラグインとして組み込んでいる。
  論文  参考訳（メタデータ） (2024-01-15T10:26:47Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• 3D Medical Image Segmentation based on multi-scale MPU-Net [5.393743755706745]
  本稿では,患者のCT画像に対する腫瘍分割モデルMPU-Netを提案する。 グローバルアテンション機構を備えたTransformerにインスパイアされている。 ベンチマークモデルであるU-Netと比較して、MPU-Netは優れたセグメンテーション結果を示す。
  論文  参考訳（メタデータ） (2023-07-11T20:46:19Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• 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)

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。