論文の概要: MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation
- arxiv url: http://arxiv.org/abs/2409.08307v1
- Date: Thu, 12 Sep 2024 02:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 18:46:54.803269
- Title: MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation
- Title（参考訳）: MedSegMamba:脳セグメンテーションのための3D CNN-Mambaハイブリッドアーキテクチャ
- Authors: Aaron Cao, Zongyu Li, Jia Guo,
- Abstract要約: 我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。
モデルの性能をいくつかのベンチマークで検証した。
- 参考スコア（独自算出の注目度）: 17.363827724339558
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Widely used traditional pipelines for subcortical brain segmentation are often inefficient and slow, particularly when processing large datasets. Furthermore, deep learning models face challenges due to the high resolution of MRI images and the large number of anatomical classes involved. To address these limitations, we developed a 3D patch-based hybrid CNN-Mamba model that leverages Mamba's selective scan algorithm, thereby enhancing segmentation accuracy and efficiency for 3D inputs. This retrospective study utilized 1784 T1-weighted MRI scans from a diverse, multi-site dataset of healthy individuals. The dataset was divided into training, validation, and testing sets with a 1076/345/363 split. The scans were obtained from 1.5T and 3T MRI machines. Our model's performance was validated against several benchmarks, including other CNN-Mamba, CNN-Transformer, and pure CNN networks, using FreeSurfer-generated ground truths. We employed the Dice Similarity Coefficient (DSC), Volume Similarity (VS), and Average Symmetric Surface Distance (ASSD) as evaluation metrics. Statistical significance was determined using the Wilcoxon signed-rank test with a threshold of P < 0.05. The proposed model achieved the highest overall performance across all metrics (DSC 0.88383; VS 0.97076; ASSD 0.33604), significantly outperforming all non-Mamba-based models (P < 0.001). While the model did not show significant improvement in DSC or VS compared to another Mamba-based model (P-values of 0.114 and 0.425), it demonstrated a significant enhancement in ASSD (P < 0.001) with approximately 20% fewer parameters. In conclusion, our proposed hybrid CNN-Mamba architecture offers an efficient and accurate approach for 3D subcortical brain segmentation, demonstrating potential advantages over existing methods.
- Abstract（参考訳）: 皮質下脳のセグメンテーションに広く使われている伝統的なパイプラインは、特に大規模なデータセットを処理する際には、しばしば非効率で遅い。
さらに、ディープラーニングモデルは、MRI画像の高解像度化と多くの解剖学的クラスが関与しているため、課題に直面している。
これらの制約に対処するため,Mambaの選択的スキャンアルゴリズムを利用した3次元パッチベースハイブリッドCNN-Mambaモデルを開発した。
この振り返り調査では、1784個のT1強調MRIスキャンを、健康な人の多地点データセットから利用した。
データセットは1076/345/363の分割でトレーニング、検証、テストセットに分割された。
スキャンは1.5Tと3TのMRIマシンから得られた。
我々のモデルの性能は、FreeSurfer生成した基底真理を用いて、他のCNN-Mamba、CNN-Transformer、純粋なCNNネットワークを含むいくつかのベンチマークで検証された。
評価指標としてDice similarity Coefficient (DSC), Volume similarity (VS), Average Symmetric Surface Distance (ASSD) を用いた。
統計的意義は、P < 0.05の閾値を持つウィルコクソン符号ランク試験を用いて決定された。
提案したモデルは全指標(DSC 0.88383; VS 0.97076; ASSD 0.33604)で最高性能を達成し、非マンバ系モデル(P < 0.001)を著しく上回った。
このモデルは、他のMambaモデル(P値0.114と0.425)に比べてDSCやVSの大幅な改善は見られなかったが、ASSD(P < 0.001)では約20%少ないパラメータで大幅に向上した。
結論として,提案するハイブリッドCNN-Mambaアーキテクチャは3次元皮質下脳セグメンテーションに対して効率的かつ正確なアプローチを提供し,既存の手法に対する潜在的な優位性を示す。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Gamba: Marry Gaussian Splatting with Mamba for single view 3D reconstruction [153.52406455209538]
Gambaは、単一のビューイメージからエンドツーエンドの3D再構成モデルである。
1つのNVIDIA A100 GPUで0.05秒以内に再構築が完了する。
論文 参考訳（メタデータ） (2024-03-27T17:40:14Z) - Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification [1.2691047660244332]
本稿では,3次元CNN,2次元CNN,Bi-LSTMを組み合わせたニューラルネットワークを提案する。
99.83、99.98、100%の精度を達成でき、それぞれIP、PU、SAデータセットにおける最先端モデルのトレーニング可能なパラメータは30%に過ぎなかった。
論文 参考訳（メタデータ） (2024-02-15T15:46:13Z) - Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。
Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-05T18:58:11Z) - Attention and Pooling based Sigmoid Colon Segmentation in 3D CT images [11.861208424384046]
シグモイド結腸は憩室炎を治療するための重要な側面である。
本研究はCT画像からシグモイド結腸を抽出するための新しいディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-09-25T04:52:46Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Automated segmentation of 3-D body composition on computed tomography [0.0]
VAT,SAT,IMAT,SM,骨の5種類の異なる体組成を手動でアノテートした。
畳み込みニューラルネットワーク(CNN)の性能評価と評価に10倍のクロスバリデーション法が用いられた。
3つのCNNモデルの中で、UNetは5つのボディ構成を共同でセグメント化する上で、最高の全体的な性能を示した。
論文 参考訳（メタデータ） (2021-12-16T15:38:27Z) - Benchmarking CNN on 3D Anatomical Brain MRI: Architectures, Data
Augmentation and Deep Ensemble Learning [2.1446056201053185]
我々は最近のSOTA(State-of-the-art)3D CNNの広範なベンチマークを提案し、データ拡張と深層アンサンブル学習の利点も評価した。
年齢予測,性別分類,統合失調症診断の3つの課題について,N=10kスキャンを含む多地点の脳解剖学的MRIデータセットを用いて実験を行った。
その結果,VBM画像の予測精度は擬似RAWデータよりも有意に向上した。
DenseNetとSmall-DenseNetは、私たちが提案したより軽量なバージョンで、すべてのデータレシエーションのパフォーマンスにおいて優れた妥協を提供する。
論文 参考訳（メタデータ） (2021-06-02T13:00:35Z) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳（メタデータ） (2021-05-14T19:40:16Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z)
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。