論文の概要: Transferring Knowledge from High-Quality to Low-Quality MRI for Adult Glioma Diagnosis
- arxiv url: http://arxiv.org/abs/2410.18698v1
- Date: Thu, 24 Oct 2024 12:48:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-25 16:42:56.291015
- Title: Transferring Knowledge from High-Quality to Low-Quality MRI for Adult Glioma Diagnosis
- Title（参考訳）: 成人グリオーマ診断における高次MRIから低次MRIへの知識移転
- Authors: Yanguang Zhao, Long Bai, Zhaoxi Zhang, Yanan Wu, Mobarakol Islam, Hongliang Ren,
- Abstract要約: 本稿では,SSAアダルトグリオーマにおけるBraTS Challengeについて述べる。
我々は、BraTS-GLI 2021の勝利ソリューションからモデルを採用し、3つのトレーニング戦略で活用する。
結果は、BraTS-GLI 2021データセットの初期トレーニングに続いて、BraTS-Africaデータセットの微調整が最高の結果となったことを示している。
- 参考スコア（独自算出の注目度）: 19.217710134003017
- License:
- Abstract: Glioma, a common and deadly brain tumor, requires early diagnosis for improved prognosis. However, low-quality Magnetic Resonance Imaging (MRI) technology in Sub-Saharan Africa (SSA) hinders accurate diagnosis. This paper presents our work in the BraTS Challenge on SSA Adult Glioma. We adopt the model from the BraTS-GLI 2021 winning solution and utilize it with three training strategies: (1) initially training on the BraTS-GLI 2021 dataset with fine-tuning on the BraTS-Africa dataset, (2) training solely on the BraTS-Africa dataset, and (3) training solely on the BraTS-Africa dataset with 2x super-resolution enhancement. Results show that initial training on the BraTS-GLI 2021 dataset followed by fine-tuning on the BraTS-Africa dataset has yielded the best results. This suggests the importance of high-quality datasets in providing prior knowledge during training. Our top-performing model achieves Dice scores of 0.882, 0.840, and 0.926, and Hausdorff Distance (95%) scores of 15.324, 37.518, and 13.971 for enhancing tumor, tumor core, and whole tumor, respectively, in the validation phase. In the final phase of the competition, our approach successfully secured second place overall, reflecting the strength and effectiveness of our model and training strategies. Our approach provides insights into improving glioma diagnosis in SSA, showing the potential of deep learning in resource-limited settings and the importance of transfer learning from high-quality datasets.
- Abstract（参考訳）: グリオーマは一般的で致命的な脳腫瘍であり、予後改善のために早期診断が必要である。
しかし、サブサハラアフリカ(SSA)における低品質磁気共鳴イメージング(MRI)技術は正確な診断を妨げる。
本稿では,SSAアダルトグリオーマにおけるBraTS Challengeについて述べる。
我々は、BraTS-GLI 2021の勝利解からモデルを採用し、(1)BraTS-Africaデータセットを微調整したBraTS-GLI 2021データセットのトレーニング、(2)BraTS-Africaデータセットのみのトレーニング、(3)2倍の超分解能拡張によるBraTS-Africaデータセットのみのトレーニングという3つのトレーニング戦略で活用する。
結果は、BraTS-GLI 2021データセットの初期トレーニングに続いて、BraTS-Africaデータセットの微調整が最高の結果となったことを示している。
これは、トレーニング中に事前知識を提供する上で、高品質なデータセットの重要性を示唆している。
腫瘍, 腫瘍コア, 腫瘍全体に対するDiceスコアは0.882, 0.840, 0.926, Hausdorff Distance (95%)スコアは15.324, 37.518, 13.971であった。
コンペの最終段階では,モデルとトレーニング戦略の強みと有効性を反映して,総合的に第2位を獲得しました。
提案手法は,SSAにおけるグリオーマ診断の改善に関する知見を提供し,資源制限設定における深層学習の可能性と高品質データセットからの伝達学習の重要性を示す。
関連論文リスト
- Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics [0.6820272276959313]
本研究は,MedNeXtを用いたBraTS-2024 SSAおよび小児腫瘍のセグメンテーション法について述べる。
提案手法は,BraTS-2024 SSAデータセットでは平均Dice similarity Coefficient(DSC)が0.896,BraTS小児腫瘍データセットでは平均DSCが0.830であった。
論文 参考訳（メタデータ） (2024-11-24T15:19:19Z) - 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) - Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in
Sub-Sharan African Populations [4.567712492463603]
最も一般的な原発性脳腫瘍であるグリオーマは、診断と治療計画のために正確なセグメンテーションを必要とする。
本稿では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。
我が国の方法論は,アフリカなどの資源制限環境での臨床実践に大きな影響を与える可能性がある。
論文 参考訳（メタデータ） (2023-12-19T01:10:11Z) - Bridging the Gap: Generalising State-of-the-Art U-Net Models to
Sub-Saharan African Populations [37.59488403618245]
腫瘍セグメンテーションモデルにとって重要な課題は、多様な臨床環境に適応できる能力である。
2022年のBraTSコンペティションにおける第2位を確保したフレームワークを再現し、データセット合成がモデル性能に与える影響を調査した。
論文 参考訳（メタデータ） (2023-12-19T01:03:19Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs [2.946960157989204]
この研究は、摂動下での冗長性を最小化するネットワークトレーニングプロセスの修正である。
腫瘍コア, 腫瘍コア, 全腫瘍に対して, 0.8600, 0.8868, 0.9265平均ダイスを得た。
私たちのチーム(NVAUTO)の応募は、ETとTCのスコアで上位10チーム、WTのスコアで上位10チームだった。
論文 参考訳（メタデータ） (2021-11-01T07:39:06Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - A Transfer Learning Based Active Learning Framework for Brain Tumor
Classification [10.437969366798411]
そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。
我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。
提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
論文 参考訳（メタデータ） (2020-11-16T21:11:40Z)
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。