論文の概要: 3D U-KAN Implementation for Multi-modal MRI Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2408.00273v1
• Date: Thu, 1 Aug 2024 04:27:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 21:45:24.463575
• Title: 3D U-KAN Implementation for Multi-modal MRI Brain Tumor Segmentation
• Title（参考訳）: マルチモーダルMRI脳腫瘍分離のための3次元U-KAN実装
• Authors: Tianze Tang, Yanbing Chen, Hai Shu,
• Abstract要約: 我々は,元の2次元U-KANモデルを3Dタスクに適用し,Squeeze-and-Excitationモジュールを組み込んだUKAN-SEという変種を導入する。 我々は、BraTS 2024データセットを用いて、U-KANとU-KAN-SEの性能を、U-Net、Attention U-Net、Swin UNETRといった既存の手法と比較した。 U-KANとUKAN-SEは約1060万のパラメータを持ち、U-NetとAttention U-Netのトレーニング時間の1/4と1/6しか必要とせず、例外的な効率を実現している。
• 参考スコア（独自算出の注目度）: 1.6932009464531739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the application of U-KAN, a U-Net based network enhanced with Kolmogorov-Arnold Network (KAN) layers, for 3D brain tumor segmentation using multi-modal MRI data. We adapt the original 2D U-KAN model to the 3D task, and introduce a variant called UKAN-SE, which incorporates Squeeze-and-Excitation modules for global attention. We compare the performance of U-KAN and UKAN-SE against existing methods such as U-Net, Attention U-Net, and Swin UNETR, using the BraTS 2024 dataset. Our results show that U-KAN and UKAN-SE, with approximately 10.6 million parameters, achieve exceptional efficiency, requiring only about 1/4 of the training time of U-Net and Attention U-Net, and 1/6 that of Swin UNETR, while surpassing these models across most evaluation metrics. Notably, UKAN-SE slightly outperforms U-KAN.
• Abstract（参考訳）: KAN(Kolmogorov-Arnold Network)層で強化されたU-NetベースのネットワークであるU-KANの、マルチモーダルMRIデータを用いた3次元脳腫瘍セグメント化への応用について検討する。 我々は,元の2次元U-KANモデルを3Dタスクに適用し,Squeeze-and-Excitationモジュールを組み込んだUKAN-SEという変種を導入する。 我々は、BraTS 2024データセットを用いて、U-KANとU-KAN-SEの性能を、U-Net、Attention U-Net、Swin UNETRといった既存の手法と比較した。 U-KANとUKAN-SEは約1060万のパラメータを持ち、U-NetとAtention U-Netのトレーニング時間の1/4とSwin UNETRの1/6しか必要とせず、これらのモデルをほとんどの評価指標で上回っている。 特にU-KAN-SEはU-KANをわずかに上回っている。

関連論文リスト

• Y-CA-Net: A Convolutional Attention Based Network for Volumetric Medical Image Segmentation [47.12719953712902]
  差別的なローカル機能は、注目ベースのVSメソッドのパフォーマンスの鍵となるコンポーネントである。 コンボリューションエンコーダ分岐をトランスフォーマーバックボーンに組み込んで,局所的特徴と大域的特徴を並列に抽出する。 Y-CT-Netは、複数の医療セグメンテーションタスクにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-10-01T18:50:45Z)
• FAU-Net: An Attention U-Net Extension with Feature Pyramid Attention for Prostate Cancer Segmentation [1.8499314936771563]
  U-Netに基づくMRI画像における前立腺領域のセグメンテーションの深層学習手法を提案する。 提案したモデルは、7つの異なるU-Netアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2023-09-04T02:54:58Z)
• Cross-Modal Fine-Tuning: Align then Refine [83.37294254884446]
  ORCAはクロスモーダルな微調整フレームワークであり、単一の大規模事前訓練モデルの適用範囲を様々に拡張する。 ORCAは12のモダリティから60以上のデータセットを含む3つのベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-11T16:32:28Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• A Comparative Study on 1.5T-3T MRI Conversion through Deep Neural Network Models [0.0]
  1.5T MRIから脳の3TライクなMR画像を生成するための、多くのディープニューラルネットワークモデルの能力について検討する。 本研究は,脳内MRI変換のための複数の深層学習ソリューションを評価するための最初の研究である。
  論文  参考訳（メタデータ） (2022-10-12T16:14:42Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• R2U3D: Recurrent Residual 3D U-Net for Lung Segmentation [17.343802171952195]
  本稿では,3次元肺分割作業のための新しいモデルであるRecurrent Residual 3D U-Net(R2U3D)を提案する。 特に,提案モデルでは,U-Netに基づくRecurrent Residual Neural Networkに3次元畳み込みを組み込む。 提案するR2U3Dネットワークは、公開データセットLUNA16に基づいてトレーニングされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-05T19:17:14Z)
• Meningioma segmentation in T1-weighted MRI leveraging global context and attention mechanisms [0.2624902795082451]
  髄膜腫は脳腫瘍の最も一般的なタイプであり、脳腫瘍の約30%を占める。 U-Netアーキテクチャに対する注意メカニズムの包含を提案する。 マルチスケール入力および深層監視コンポーネントの影響について検討した。
  論文  参考訳（メタデータ） (2021-01-19T16:40:53Z)
• Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
  3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。 米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。 本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:23:55Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。