論文の概要: PK-YOLO: Pretrained Knowledge Guided YOLO for Brain Tumor Detection in Multiplanar MRI Slices

• arxiv url: http://arxiv.org/abs/2410.21822v1
• Date: Tue, 29 Oct 2024 07:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:39:01.710004
• Title: PK-YOLO: Pretrained Knowledge Guided YOLO for Brain Tumor Detection in Multiplanar MRI Slices
• Title（参考訳）: PK-YOLO:多平面MRIスライスにおける脳腫瘍検出のための知識指導型YOLO
• Authors: Ming Kang, Fung Fung Ting, Raphaël C. -W. Phan, Chee-Ming Ting,
• Abstract要約: 我々は、PK-YOLOと呼ばれる事前学習知識(PK)を組み込んだ新しいYou Only Look Once(YOLO)ベースの検出モデルを提案する。 PK-YOLOは、YOLOをベースとした物体検出器として初めて訓練された知識である。 提案したPK-YOLOは,多平面MRI脳腫瘍検出データセット上での競合性能を示す。
• 参考スコア（独自算出の注目度）: 6.502259209532815
• License:
• Abstract: Brain tumor detection in multiplane Magnetic Resonance Imaging (MRI) slices is a challenging task due to the various appearances and relationships in the structure of the multiplane images. In this paper, we propose a new You Only Look Once (YOLO)-based detection model that incorporates Pretrained Knowledge (PK), called PK-YOLO, to improve the performance for brain tumor detection in multiplane MRI slices. To our best knowledge, PK-YOLO is the first pretrained knowledge guided YOLO-based object detector. The main components of the new method are a pretrained pure lightweight convolutional neural network-based backbone via sparse masked modeling, a YOLO architecture with the pretrained backbone, and a regression loss function for improving small object detection. The pretrained backbone allows for feature transferability of object queries on individual plane MRI slices into the model encoders, and the learned domain knowledge base can improve in-domain detection. The improved loss function can further boost detection performance on small-size brain tumors in multiplanar two-dimensional MRI slices. Experimental results show that the proposed PK-YOLO achieves competitive performance on the multiplanar MRI brain tumor detection datasets compared to state-of-the-art YOLO-like and DETR-like object detectors. The code is available at https://github.com/mkang315/PK-YOLO.
• Abstract（参考訳）: 多面体磁気共鳴イメージング(MRI)スライスにおける脳腫瘍検出は、多面体画像の構造の様々な外観と関係性のために難しい課題である。 本稿では,PK-YOLO(Pretrained Knowledge, PK-YOLO)を組み込んだ新しいYou Only Look Once(YOLO)に基づく検出モデルを提案する。 私たちの知る限りでは、PK-YOLOはYOLOをベースとした物体検出器として初めて事前訓練された知識である。 新しい手法の主な構成要素は、スパースマスクモデリングによる純粋に軽量な畳み込みニューラルネットワークベースのバックボーン、トレーニング済みのバックボーンを備えたYOLOアーキテクチャ、小さなオブジェクト検出を改善するための回帰損失関数である。 事前訓練されたバックボーンは、個々の平面MRIスライス上のオブジェクトクエリをモデルエンコーダに変換し、学習済みのドメイン知識ベースがドメイン内検出を改善する。 改良された損失関数は、多平面MRIスライスにおける小脳腫瘍の検出性能をさらに向上させることができる。 実験結果から, 提案したPK-YOLOは, 最先端のYOLOやDETRのような物体検出装置と比較して, 多平面MRI脳腫瘍検出データセットの競合性能が得られた。 コードはhttps://github.com/mkang315/PK-YOLOで公開されている。

関連論文リスト

• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
  チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。 脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。 提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-07-31T05:38:17Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• 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)
• A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
  本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。 提案フレームワークは、全体的な検出精度96.88%を取得する。 提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
  論文  参考訳（メタデータ） (2022-02-20T16:14:01Z)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。