Fugu-MT 論文翻訳(概要): CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset

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

Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings [4.022491041135248]
本研究では, グリオーマのセマンティックセグメンテーションのために, UNet3D, V-Net, MSA-VNetモデルを統合した深層学習アンサンブルを開発する。 DICEスコアは腫瘍コア0.8358、全腫瘍0.8521、腫瘍エンハンス0.8167である。
論文参考訳（メタデータ） (2025-02-04T09:53:09Z)
A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation [45.39707664801522]
後腹膜には、稀な良性および悪性型を含む様々な腫瘍があり、診断と治療の課題を引き起こす。腫瘍径の推定は不規則な形状のため困難であり,手動分割は時間を要する。本研究は,CNN,ViT,Mamba,xLSTMなどのU-Net拡張を,新しい社内CTデータセットと公開臓器セグメンテーションデータセットに基づいて評価する。
論文参考訳（メタデータ） (2025-02-01T04:25:28Z)
Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning [5.062500255359342]
自動脳腫瘍分割のためのResUNetアーキテクチャを提案する。 EfficientNetB0エンコーダは、事前訓練された機能を活用して、機能の抽出効率を向上させる。チャネルアテンション機構は、腫瘍関連の特徴に焦点を絞るモデルを強化する。
論文参考訳（メタデータ） (2025-01-19T23:58:16Z)
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)
Improved Unet brain tumor image segmentation based on GSConv module and ECA attention mechanism [0.0]
U-Netアーキテクチャに基づく深層学習アルゴリズムである脳腫瘍に対する医用画像分割法の改良モデルについて述べる。従来のU-Netに基づいて,医療画像分割作業におけるモデルの性能向上を目的としたGSConvモジュールとECAアテンション機構を導入する。
論文参考訳（メタデータ） (2024-09-20T16:35:19Z)
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)
CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
論文参考訳（メタデータ） (2023-01-02T18:07:44Z)
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)
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)
Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
論文参考訳（メタデータ） (2020-10-19T07:42:10Z)

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。