論文の概要: MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network

• arxiv url: http://arxiv.org/abs/2411.01896v1
• Date: Mon, 04 Nov 2024 09:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:49:30.495430
• Title: MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network
• Title（参考訳）: MBDRes-U-Net:マルチスケール軽量脳腫瘍分離ネットワーク
• Authors: Longfeng Shen, Yanqi Hou, Jiacong Chen, Liangjin Diao, Yaxi Duan,
• Abstract要約: 本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。 モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate segmentation of brain tumors plays a key role in the diagnosis and treatment of brain tumor diseases. It serves as a critical technology for quantifying tumors and extracting their features. With the increasing application of deep learning methods, the computational burden has become progressively heavier. To achieve a lightweight model with good segmentation performance, this study proposes the MBDRes-U-Net model using the three-dimensional (3D) U-Net codec framework, which integrates multibranch residual blocks and fused attention into the model. The computational burden of the model is reduced by the branch strategy, which effectively uses the rich local features in multimodal images and enhances the segmentation performance of subtumor regions. Additionally, during encoding, an adaptive weighted expansion convolution layer is introduced into the multi-branch residual block, which enriches the feature expression and improves the segmentation accuracy of the model. Experiments on the Brain Tumor Segmentation (BraTS) Challenge 2018 and 2019 datasets show that the architecture could maintain a high precision of brain tumor segmentation while considerably reducing the calculation overhead.Our code is released at https://github.com/Huaibei-normal-university-cv-laboratory/mbdresunet
• Abstract（参考訳）: 脳腫瘍の正確なセグメンテーションは、脳腫瘍の診断と治療において重要な役割を果たす。 腫瘍を定量化し、その特徴を抽出する重要な技術として機能する。 深層学習の応用が進むにつれ, 計算負担は徐々に重くなってきている。 セグメンテーション性能のよい軽量モデルを実現するために,マルチブランチ残差ブロックを統合した3次元(3D) U-Netコーデックを用いたMBDRes-U-Netモデルを提案する。 マルチモーダル画像のリッチな局所的特徴を効果的に利用し,地下領域のセグメンテーション性能を向上させる分岐戦略により,モデルの計算負担を低減させる。 さらに、符号化中に、多分岐残差ブロックに適応重み付き展開畳み込み層を導入し、特徴表現を充実させ、モデルのセグメンテーション精度を向上させる。 Brain tumor Segmentation (BraTS) Challenge 2018と2019データセットの実験では、このアーキテクチャは高い精度の脳腫瘍セグメンテーションを維持しつつ、計算オーバーヘッドを大幅に削減できることが示された。

関連論文リスト

• 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)
• An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation [2.0886519175557368]
  我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。 このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。 検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
  論文  参考訳（メタデータ） (2024-02-10T18:03:15Z)
• 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)
• 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)
• 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)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
  本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。 BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
  論文  参考訳（メタデータ） (2020-12-12T09:09:04Z)
• Context Aware 3D UNet for Brain Tumor Segmentation [24.27997192961372]
  UNetは、医用イメージングタスクのための3D CNNアーキテクチャのパフォーマンスの主要な情報源である。 脳腫瘍セグメント化のためのUNetアーキテクチャの修正を提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:32:25Z)
• Brain tumour segmentation using cascaded 3D densely-connected U-net [10.667165962654996]
  本稿では,脳腫瘍をサブリージョンに分割する深層学習手法を提案する。 提案アーキテクチャは,U-Netアーキテクチャの変種に基づく3次元畳み込みニューラルネットワークである。 BraTS20バリデーションデータセットの実験結果から, 提案したモデルでは, 全腫瘍, 腫瘍コア, 造影腫瘍の平均Diceスコアが0.90, 0.82, 0.78に達した。
  論文  参考訳（メタデータ） (2020-09-16T09:14:59Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)
• Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs [2.4736005621421686]
  マルチモーダル脳腫瘍セグメンテーションチャレンジ(BraTS)は、3次元MRI脳腫瘍セグメンテーションの自動化方法を改善するために研究者を結集させる。 この手法をBraTS 2019の課題として評価した。
  論文  参考訳（メタデータ） (2020-01-06T07:47:42Z)

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。