論文の概要: AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2410.19847v1
• Date: Mon, 21 Oct 2024 20:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:22:02.058110
• Title: AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation
• Title（参考訳）: AEPL:脳腫瘍分離のための自動および編集可能なプロンプト学習
• Authors: Yongheng Sun, Mingxia Liu, Chunfeng Lian,
• Abstract要約: 脳腫瘍の分節は正確な診断と治療計画に不可欠である。 既存の10の方法は、腫瘍学級のような医学領域の知識を効果的に取り入れることに失敗する。 本稿では,腫瘍学級をセグメンテーションプロセスに統合する自動編集型プロンプト学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.347340694969212
• License:
• Abstract: Brain tumor segmentation is crucial for accurate diagnosisand treatment planning, but the small size and irregular shapeof tumors pose significant challenges. Existing methods of-ten fail to effectively incorporate medical domain knowledgesuch as tumor grade, which correlates with tumor aggres-siveness and morphology, providing critical insights for moreaccurate detection of tumor subregions during segmentation.We propose an Automated and Editable Prompt Learning(AEPL) framework that integrates tumor grade into the seg-mentation process by combining multi-task learning andprompt learning with automatic and editable prompt gen-eration. Specifically, AEPL employs an encoder to extractimage features for both tumor-grade prediction and segmen-tation mask generation. The predicted tumor grades serveas auto-generated prompts, guiding the decoder to produceprecise segmentation masks. This eliminates the need formanual prompts while allowing clinicians to manually editthe auto-generated prompts to fine-tune the segmentation,enhancing both flexibility and precision. The proposed AEPLachieves state-of-the-art performance on the BraTS 2018dataset, demonstrating its effectiveness and clinical potential.The source code can be accessed online.
• Abstract（参考訳）: 脳腫瘍の分節化は正確な診断・治療計画に重要であるが、小ささと不規則な腫瘍の形状は重大な課題である。 既存の10の手法では,腫瘍の凝集度や形態と相関し,セグメンテーション中の腫瘍亜領域のより正確な検出に重要な洞察を与える腫瘍学級などの医学領域の知識を効果的に活用できない。我々は,マルチタスク学習とプロンプト学習を自動かつ編集可能なプロンプト・ジェネレーションと組み合わせることで,腫瘍学級をセグメンテーションプロセスに統合する自動・編集可能なプロンプト・ラーニング(AEPL)フレームワークを提案する。 具体的には、AEPLは、腫瘍グレード予測とセグメンテーションマスク生成の両方の特徴を抽出するためにエンコーダを使用している。 予測された腫瘍グレードは自動生成プロンプトとして機能し、デコーダを精密なセグメンテーションマスクに誘導する。 これにより、臨床医は手動で自動生成プロンプトを編集し、セグメンテーションを微調整し、柔軟性と精度の両方を向上する。 提案されているAEPLachieves state-of-the-art performance on the BraTS 2018datasetは、その有効性と臨床的可能性を示し、ソースコードをオンラインでアクセスすることができる。

関連論文リスト

• A Holistic Weakly Supervised Approach for Liver Tumor Segmentation with Clinical Knowledge-Informed Label Smoothing [17.798774864007505]
  肝がんは世界中で死亡率の高い原因である。 ディープラーニングは、自動肝セグメンテーションを約束している。 これらの課題に対処する新しい全体的弱教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-13T20:52:25Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation [8.253446049933483]
  マシンベースの脳腫瘍セグメント化は、医師がより良い診断を行うのに役立つ。 脳腫瘍の複雑な構造と高価なピクセルレベルのアノテーションは、自動腫瘍セグメンテーションの課題を示す。 我々は,ピクセルレベルのアノテーションを必要とせずに,例外的な脳腫瘍のセグメンテーション性能を実現する反ファクト生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-02T11:18:32Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Unsupervised Brain Tumor Segmentation with Image-based Prompts [12.525656002678856]
  我々は,脳腫瘍の診断を可能にする画像ベースのプロンプトを設計し,教師なし脳腫瘍セグメンテーションへのアプローチを提案する。 大量の注釈付きデータで脳腫瘍セグメンテーションのモデルを直接訓練する代わりに、私たちは質問に答えられるモデルをトレーニングしようとしています。 手作りのデザインは、あらゆる種類の実際の腫瘍を表現するには単純すぎるため、訓練されたモデルは、実際には異常の問題に答えるのではなく、単純化された手作りのタスクに過度に適合する可能性がある。
  論文  参考訳（メタデータ） (2023-04-04T02:28:25Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
  そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。 この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。 提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
  論文  参考訳（メタデータ） (2020-02-26T14:10:40Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。