論文の概要: Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2406.18548v1
• Date: Thu, 23 May 2024 04:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-07-01 06:12:00.592159
• Title: Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis
• Title（参考訳）: インテリジェント医用画像解析におけるマルチスケール画像融合システムの探索
• Authors: Yuxiang Hu, Haowei Yang, Ting Xu, Shuyao He, Jiajie Yuan, Haozhang Deng,
• Abstract要約: MRI画像上で脳腫瘍の自動分離を行う必要がある。 このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
• 参考スコア（独自算出の注目度）: 3.881664394416534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The diagnosis of brain cancer relies heavily on medical imaging techniques, with MRI being the most commonly used. It is necessary to perform automatic segmentation of brain tumors on MRI images. This project intends to build an MRI algorithm based on U-Net. The residual network and the module used to enhance the context information are combined, and the void space convolution pooling pyramid is added to the network for processing. The brain glioma MRI image dataset provided by cancer imaging archives was experimentally verified. A multi-scale segmentation method based on a weighted least squares filter was used to complete the 3D reconstruction of brain tumors. Thus, the accuracy of three-dimensional reconstruction is further improved. Experiments show that the local texture features obtained by the proposed algorithm are similar to those obtained by laser scanning. The algorithm is improved by using the U-Net method and an accuracy of 0.9851 is obtained. This approach significantly enhances the precision of image segmentation and boosts the efficiency of image classification.
• Abstract（参考訳）: 脳腫瘍の診断は医療画像技術に大きく依存しており、MRIが最も一般的に用いられている。 MRI画像上で脳腫瘍の自動分離を行う必要がある。 このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。 残余ネットワークと、コンテキスト情報を強化するために使用されるモジュールとを結合し、このネットワークに空空間畳み込みプールピラミッドを付加して処理する。 脳グリオーマMRI画像データセットは, 癌画像アーカイブにより実験的に検証された。 重み付き最小二乗フィルタを用いたマルチスケールセグメンテーション法を用いて脳腫瘍の3次元再構成を行った。 これにより、3次元再構成の精度がさらに向上する。 実験により,提案アルゴリズムにより得られた局所的なテクスチャ特性は,レーザースキャンにより得られたものと類似していることがわかった。 U-Net法を用いてアルゴリズムを改良し、精度0.9851を得る。 このアプローチは画像分割の精度を大幅に向上させ、画像分類の効率を高める。

関連論文リスト

• Light Weight CNN for classification of Brain Tumors from MRI Images [0.0]
  本研究では,脳腫瘍のマルチクラス分類のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案する。 グリオーマ,髄膜腫,下垂体腫瘍,腫瘍の4つの分類に分類したMRI画像を含む公開データセットを用いて検討した。 実験により, 本モデルが98.78%の分類精度を達成し, 臨床現場での診断支援の可能性を示した。
  論文  参考訳（メタデータ） (2025-04-29T21:45:11Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [48.21287619304126]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• A CNN Approach to Automated Detection and Classification of Brain Tumors [0.0]
  本研究の目的は、提供されたMRIデータを分析して、健康な脳組織と脳腫瘍を分類することである。 モデル作成に使用されるデータセットは、3,264個の脳MRIスキャンを含む、一般にアクセス可能で検証された脳腫瘍分類(MRI)データベースである。
  論文  参考訳（メタデータ） (2025-02-13T19:33:26Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Mask-Guided Attention U-Net for Enhanced Neonatal Brain Extraction and Image Preprocessing [0.9674145073701153]
  マスク誘導型アテンションニューラルネットワークMGA-Netについて紹介する。 他の構造から脳を抽出し、高品質な脳画像の再構築を目的としている。 今回提案したMGA-Netを,様々な臨床設定と新生児年齢群から得られた多様なデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2024-06-25T16:48:18Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net [0.0]
  本稿では,脳腫瘍のマルチリージョンセグメンテーションのための3次元アテンションに基づくU-Netアーキテクチャを提案する。 注意機構は、健康な組織を非強調化し、悪性組織をアクセントすることで、セグメンテーションの精度を向上させる。
  論文  参考訳（メタデータ） (2023-05-10T14:35:07Z)
• Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
  パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。 データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。 実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-29T13:33:21Z)
• 3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation [6.127298607534532]
  深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れた。 変換器は畳み込みネットワークの限界に対処するために利用されてきた。 本稿では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:11:29Z)
• Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images [4.3310896118860445]
  本稿では,脳腫瘍セグメンテーションのためのU-Netの軽量実装を提案する。 提案アーキテクチャでは,提案する軽量U-Netをトレーニングするために大量のデータを必要としない。 軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、平均交叉対合同(IoU)は89%に達する。
  論文  参考訳（メタデータ） (2022-11-03T15:19:58Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。