論文の概要: Effective Segmentation of Post-Treatment Gliomas Using Simple Approaches: Artificial Sequence Generation and Ensemble Models
- arxiv url: http://arxiv.org/abs/2409.08143v1
- Date: Thu, 12 Sep 2024 15:34:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 15:55:10.037315
- Title: Effective Segmentation of Post-Treatment Gliomas Using Simple Approaches: Artificial Sequence Generation and Ensemble Models
- Title（参考訳）: 簡単なアプローチによる外傷後グリオーマの効果的な分別:人工シーケンス生成とエンサンブルモデル
- Authors: Heejong Kim, Leo Milecki, Mina C Moghadam, Fengbei Liu, Minh Nguyen, Eric Qiu, Abhishek Thanki, Mert R Sabuncu,
- Abstract要約: 本稿では,深層学習手法のセグメンテーション性能を高めるための2つの手法を提案する。
まず、利用可能なMRIシーケンスの単純な線形結合に基づく追加入力を組み込む。
第二に、モデルのバッテリの寄与を測るために様々なアンサンブル手法を用いる。
- 参考スコア（独自算出の注目度）: 7.352034931666381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation is a crucial task in the medical imaging field and is often an important primary step or even a prerequisite to the analysis of medical volumes. Yet treatments such as surgery complicate the accurate delineation of regions of interest. The BraTS Post-Treatment 2024 Challenge published the first public dataset for post-surgery glioma segmentation and addresses the aforementioned issue by fostering the development of automated segmentation tools for glioma in MRI data. In this effort, we propose two straightforward approaches to enhance the segmentation performances of deep learning-based methodologies. First, we incorporate an additional input based on a simple linear combination of the available MRI sequences input, which highlights enhancing tumors. Second, we employ various ensembling methods to weigh the contribution of a battery of models. Our results demonstrate that these approaches significantly improve segmentation performance compared to baseline models, underscoring the effectiveness of these simple approaches in improving medical image segmentation tasks.
- Abstract（参考訳）: セグメンテーションは医療画像分野において重要な課題であり、しばしば重要な一次ステップであり、医療量分析の前提条件でもある。
しかし、手術などの治療は、興味のある領域の正確な記述を複雑にする。
BraTS Post-Treatment 2024 Challengeは、外科手術後のグリオーマセグメンテーションのための最初の公開データセットを出版し、MRIデータにおけるグリオーマの自動セグメンテーションツールの開発を促進することで、前述の問題に対処した。
本研究では,ディープラーニング手法のセグメンテーション性能を高めるための2つの簡単なアプローチを提案する。
まず、利用可能なMRIシーケンス入力の単純な線形結合に基づく追加入力を組み込み、腫瘍の増強を強調させる。
第二に、モデルのバッテリの寄与を測るために様々なアンサンブル手法を用いる。
以上の結果から,これらの手法はベースラインモデルに比べてセグメンテーション性能が有意に向上し,医用画像セグメンテーションタスクの改善におけるこれらの単純な手法の有効性が示唆された。
関連論文リスト
- ICH-SCNet: Intracerebral Hemorrhage Segmentation and Prognosis Classification Network Using CLIP-guided SAM mechanism [12.469269425813607]
脳内出血 (ICH) は脳卒中で最も致命的なサブタイプであり, 障害の発生頻度が高いことが特徴である。
既存のアプローチでは、これらの2つのタスクを独立して処理し、主にデータのみにフォーカスする。
本稿では,ICHセグメンテーションと予後分類の両方のために設計されたマルチタスクネットワークICH-SCNetを提案する。
論文 参考訳（メタデータ） (2024-11-07T12:34:25Z) - MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。
提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。
また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
論文 参考訳（メタデータ） (2024-09-28T23:10:37Z) - A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。
本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-11T04:12:35Z) - DeepGI: An Automated Approach for Gastrointestinal Tract Segmentation in
MRI Scans [5.997902886763401]
消化器癌(GI)は、適切な治療結果を得るために正確な放射線治療計画を要求する、世界的な健康上の課題を引き起こす。
本稿では,磁気共鳴画像(MRI)スキャンにおいて,GI領域の領域分割を自動化するための最先端手法を提案する。
高度なディープラーニングアーキテクチャを活用して、提案モデルは初期分類にInception-V4、2.5DデータにVGG19エンコーダにUNet++、グレースケールデータセグメンテーションにEdge UNetを統合する。
論文 参考訳（メタデータ） (2024-01-27T09:05:41Z) - SAR-RARP50: Segmentation of surgical instrumentation and Action
Recognition on Robot-Assisted Radical Prostatectomy Challenge [72.97934765570069]
外科的動作認識と意味計測のセグメンテーションのための,最初のマルチモーダルなインビボデータセットを公開し,ロボット補助根治術(RARP)の50の縫合ビデオセグメントを収録した。
この課題の目的は、提供されたデータセットのスケールを活用し、外科領域における堅牢で高精度なシングルタスクアクション認識とツールセグメンテーションアプローチを開発することである。
合計12チームがこのチャレンジに参加し、7つのアクション認識方法、9つの計器のセグメンテーション手法、そしてアクション認識と計器のセグメンテーションを統合した4つのマルチタスクアプローチをコントリビュートした。
論文 参考訳（メタデータ） (2023-12-31T13:32:18Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳（メタデータ） (2020-10-04T10:25:13Z) - Bayesian Generative Models for Knowledge Transfer in MRI Semantic
Segmentation Problems [15.24006130659201]
本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。
提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
論文 参考訳（メタデータ） (2020-05-26T11:42:17Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。