Fugu-MT 論文翻訳(概要): A New Logic For Pediatric Brain Tumor Segmentation

論文の概要: A New Logic For Pediatric Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2411.01390v2
Date: Sun, 02 Feb 2025 01:11:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-04 16:03:52.018281
Title: A New Logic For Pediatric Brain Tumor Segmentation
Title（参考訳）: 小児脳腫瘍切除の新しい論理
Authors: Max Bengtsson, Elif Keles, Gorkem Durak, Syed Anwar, Yuri S. Velichko, Marius G. Linguraru, Angela J. Waanders, Ulas Bagci,
Abstract要約: 深層学習アーキテクチャを用いた小児脳腫瘍の分節化のための新しいアプローチを提案する。 PED BraTS 2024テストセットに4つの異なる腫瘍ラベルを基準としてベンチマークを行った。我々は、最先端(SOTA)モデルに対して、我々のモデルの性能を評価する。
参考スコア（独自算出の注目度）: 0.5942186563711294
License:
Abstract: In this paper, we present a novel approach for segmenting pediatric brain tumors using a deep learning architecture, inspired by expert radiologists' segmentation strategies. Our model delineates four distinct tumor labels and is benchmarked on a held-out PED BraTS 2024 test set (i.e., pediatric brain tumor datasets introduced by BraTS). Furthermore, we evaluate our model's performance against the state-of-the-art (SOTA) model using a new external dataset of 30 patients from CBTN (Children's Brain Tumor Network), labeled in accordance with the PED BraTS 2024 guidelines and 2023 BraTS Adult Glioma dataset. We compare segmentation outcomes with the winning algorithm from the PED BraTS 2023 challenge as the SOTA model. Our proposed algorithm achieved an average Dice score of 0.642 and an HD95 of 73.0 mm on the CBTN test data, outperforming the SOTA model, which achieved a Dice score of 0.626 and an HD95 of 84.0 mm. Moreover, our model exhibits strong generalizability, attaining a 0.877 Dice score in whole tumor segmentation on the BraTS 2023 Adult Glioma dataset, surpassing existing SOTA. Our results indicate that the proposed model is a step towards providing more accurate segmentation for pediatric brain tumors, which is essential for evaluating therapy response and monitoring patient progress.
Abstract（参考訳）: 本稿では,専門的な放射線学者のセグメンテーション戦略に触発されて,深層学習アーキテクチャを用いた小児脳腫瘍のセグメンテーションのための新しいアプローチを提案する。本モデルは4つの異なる腫瘍ラベルを記述し,BraTS 2024テストセット(BraTSが導入した小児脳腫瘍データセット)にベンチマークした。 PED BraTS 2024ガイドラインと2023 BraTS Adult Gliomaデータセットに従ってラベル付けされたCBTN (Children's Brain tumor Network) の新たな外部データセットを用いて、最先端(SOTA)モデルに対する我々のモデルの性能を評価する。セグメント化結果とPED BraTS 2023チャレンジの勝利アルゴリズムをSOTAモデルとして比較する。提案アルゴリズムは, CBTN試験データに対して平均Diceスコア0.642, HD9573.0mmを達成し, SOTAモデルより優れ, Diceスコア0.626, HD9584.0mmを達成した。さらに,BraTS 2023アダルトグリオーマデータセットにおいて,Diceスコアが0.877となり,既存のSOTAを上回った。以上の結果から,本モデルが小児脳腫瘍に対するより正確なセグメンテーションを実現するためのステップであることが示唆された。

関連論文リスト

Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文参考訳（メタデータ） (2024-12-05T12:00:00Z)
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)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文参考訳（メタデータ） (2023-02-11T04:30:40Z)
Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。 Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文参考訳（メタデータ） (2022-12-19T09:14:23Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
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)
Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
論文参考訳（メタデータ） (2021-04-02T10:49:05Z)
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)
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)

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。