論文の概要: Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade

• arxiv url: http://arxiv.org/abs/2410.14020v1
• Date: Thu, 17 Oct 2024 20:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:24:28.792068
• Title: Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade
• Title（参考訳）: 放射線情報を用いた深層学習カスケードを用いた小児脳腫瘍の分離
• Authors: Timothy Mulvany, Daniel Griffiths-King, Jan Novak, Heather Rose,
• Abstract要約: 小児におけるDiffuse Intrinsic Pontine Glioma (DIPG) およびDiffuse Midline Glioma (DMG) 脳腫瘍のモニタリングが治療効果の評価の鍵となる。 RAPNOガイドラインは、MRIボリュームチャレンジを用いてこれらの腫瘍を測定することを推奨している。 最近の研究は、小児脳腫瘍セグメンテーションのための既存のnnU-Netアプローチの新たな適応を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Monitoring of Diffuse Intrinsic Pontine Glioma (DIPG) and Diffuse Midline Glioma (DMG) brain tumors in pediatric patients is key for assessment of treatment response. Response Assessment in Pediatric Neuro-Oncology (RAPNO) guidelines recommend the volumetric measurement of these tumors using MRI. Segmentation challenges, such as the Brain Tumor Segmentation (BraTS) Challenge, promote development of automated approaches which are replicable, generalizable and accurate, to aid in these tasks. The current study presents a novel adaptation of existing nnU-Net approaches for pediatric brain tumor segmentation, submitted to the BraTS-PEDs 2024 challenge. We apply an adapted nnU-Net with hierarchical cascades to the segmentation task of the BraTS-PEDs 2024 challenge. The residual encoder variant of nnU-Net, used as our baseline model, already provides high quality segmentations. We incorporate multiple changes to the implementation of nnU-Net and devise a novel two-stage cascaded nnU-Net to segment the substructures of brain tumors from coarse to fine. Using outputs from the nnU-Net Residual Encoder (trained to segment CC, ED, ET and NET tumor labels from T1w, T1w-CE, T2w and T2-FLAIR MRI), these are passed to two additional models one classifying ET versus NET and a second classifying CC vs ED using cascade learning. We use radiological guidelines to steer which multi parametric MRI (mpMRI) to use in these cascading models. Compared to a default nnU-Net and an ensembled nnU-net as baseline approaches, our novel method provides robust segmentations for the BraTS-PEDs 2024 challenge, achieving mean Dice scores of 0.657, 0.904, 0.703, and 0.967, and HD95 of 76.2, 10.1, 111.0, and 12.3 for the ET, NET, CC and ED, respectively.
• Abstract（参考訳）: 小児におけるDiffuse Intrinsic Pontine Glioma (DIPG) とDiffuse Midline Glioma (DMG) 脳腫瘍のモニタリングが治療効果の評価の鍵となる。 小児神経腫瘍学(RAPNO)ガイドラインにおける反応評価は、MRIを用いてこれらの腫瘍の体積測定を推奨する。 Brain tumor Segmentation (BraTS) Challengeのようなセグメンテーションの課題は、これらのタスクを支援するために複製可能で、一般化可能で、正確である自動化アプローチの開発を促進する。 本研究は、BraTS-PEDs 2024チャレンジに提出された小児脳腫瘍セグメント化のための既存のnnU-Netアプローチの新たな適応を提示する。 階層的なカスケードを持つ適応的なnnU-NetをBraTS-PEDs 2024チャレンジのセグメンテーションタスクに適用する。 我々のベースラインモデルとして使われているnnU-Netの残余エンコーダは、すでに高品質なセグメンテーションを提供している。 我々は、nnU-Netの実装に複数の変更を加え、脳腫瘍のサブ構造を粗いものから細かいものへと分割するために、新しい2段階のカスケードnnU-Netを考案した。 nnU-Net Residual Encoder (T1w, T1w-CE, T2w, T2-FLAIR MRI から CC, ED, ET およびNET の腫瘍ラベルを抽出するために訓練された)の出力を使用して、これらは2つの追加モデルに渡される。 我々は、これらのカスケードモデルで使用するマルチパラメトリックMRI(Multi Parametric MRI)について、放射線学的ガイドラインを用いて検討した。 ベースラインアプローチとしてデフォルトのnnU-NetとアンサンブルのnnU-netと比較すると,この手法はBraTS-PEDs 2024チャレンジに対して,平均Diceスコアが0.657, 0.904, 0.703, 0.967, HD95が76.2, 10.1, 111.0, 12.3となるような堅牢なセグメンテーションを提供する。

関連論文リスト

• Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
  U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。 腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-20T19:02:41Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
  磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:35:29Z)
• HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
  我々は,HNF-NetをHNF-Netv2に拡張する。 我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
  論文  参考訳（メタデータ） (2022-02-10T06:34:32Z)
• Feature-enhanced Generation and Multi-modality Fusion based Deep Neural Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
  主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。 今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。 提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
  論文  参考訳（メタデータ） (2021-11-08T10:59:40Z)
• 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)
• Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation [5.161531917413708]
  CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 CSA-DPUNetは15.31%、7.2%、7.2%、11.8%、9.5%のDice係数、P、R、F1をそれぞれ改善している。
  論文  参考訳（メタデータ） (2020-11-04T08:01:19Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images [0.0]
  グリオーマは最も一般的で攻撃的な脳腫瘍である。 FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。 本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的な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） (2020-04-26T09:50:02Z)

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。