論文の概要: CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset

• arxiv url: http://arxiv.org/abs/2406.13113v1
• Date: Wed, 19 Jun 2024 00:01:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 23:48:36.419920
• Title: CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset
• Title（参考訳）: CU-Net: BraTS 2019データセット上の効率的な脳腫瘍セグメンテーションのためのU-Netアーキテクチャ
• Authors: Qimin Zhang, Weiwei Qi, Huili Zheng, Xinyu Shen,
• Abstract要約: そこで本研究では,BraTS 2019データセットを用いた脳腫瘍セグメンテーションのためのColumbia-University-Netアーキテクチャの新たな実装を提案する。 CU-Netモデルは対称なU字型構造を持ち、畳み込み層、最大プーリング、アップサンプリング演算を用いて高分解能セグメンテーションを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately segmenting brain tumors from MRI scans is important for developing effective treatment plans and improving patient outcomes. This study introduces a new implementation of the Columbia-University-Net (CU-Net) architecture for brain tumor segmentation using the BraTS 2019 dataset. The CU-Net model has a symmetrical U-shaped structure and uses convolutional layers, max pooling, and upsampling operations to achieve high-resolution segmentation. Our CU-Net model achieved a Dice score of 82.41%, surpassing two other state-of-the-art models. This improvement in segmentation accuracy highlights the robustness and effectiveness of the model, which helps to accurately delineate tumor boundaries, which is crucial for surgical planning and radiation therapy, and ultimately has the potential to improve patient outcomes.
• Abstract（参考訳）: MRIスキャンから正確な脳腫瘍を抽出することは、効果的な治療計画を策定し、患者の結果を改善するのに重要である。 そこで本研究では,BraTS 2019データセットを用いた脳腫瘍セグメンテーションのための,Columbia-University-Net(CU-Net)アーキテクチャの新たな実装を提案する。 CU-Netモデルは対称なU字型構造を持ち、畳み込み層、最大プーリング、アップサンプリング演算を用いて高分解能セグメンテーションを実現する。 我々のCU-NetモデルはDiceスコアが82.41%に達し、他の2つの最先端モデルを上回った。 このセグメンテーション精度の改善は、手術計画や放射線治療に欠かせない腫瘍の境界線を正確に切り離すのに役立つモデルの堅牢性と有効性を強調し、最終的には患者の結果を改善する可能性がある。

関連論文リスト

• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel Approach Using the BraTS AFRICA Challenge Data [0.0]
  3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。 その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。 これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-14T15:34:22Z)
• 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)
• 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)
• Investigating certain choices of CNN configurations for brain lesion segmentation [5.148195106469231]
  深層学習モデル、特にCNNは、脳腫瘍セグメンテーションを含む医療画像解析の多くの応用において、選択の方法論となっている。 我々はMRIを用いた脳腫瘍セグメント化の特定の課題に対するCNNモデルの主設計側面について検討した。
  論文  参考訳（メタデータ） (2022-12-02T15:24:44Z)
• 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)
• Non Parametric Data Augmentations Improve Deep-Learning based Brain Tumor Segmentation [0.0]
  混合構造正規化(MSR)とシャッフルピクセルノイズ(SPN)の2つの非パラメトリックなデータ拡張法を紹介した。 MSRとSPNはパラメトリックガウス雑音増大と比較してnnU-Netセグメンテーション精度を向上する。 提案されたMSRとSPNの強化は、他のタスクでもニューラルネットの性能を向上させる可能性がある。
  論文  参考訳（メタデータ） (2021-11-25T09:58:32Z)
• 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)
• 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)

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。