論文の概要: Improved Multi-Task Brain Tumour Segmentation with Synthetic Data Augmentation
- arxiv url: http://arxiv.org/abs/2411.04632v2
- Date: Mon, 02 Dec 2024 10:48:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:55:59.746429
- Title: Improved Multi-Task Brain Tumour Segmentation with Synthetic Data Augmentation
- Title（参考訳）: 合成データ拡張によるマルチタスク・ブレイン・チューム・セグメンテーションの改善
- Authors: André Ferreira, Tiago Jesus, Behrus Puladi, Jens Kleesiek, Victor Alves, Jan Egger,
- Abstract要約: 本稿では,BraTSチャレンジにおける課題1と第3位の課題3の勝利解について述べる。
治療後の治療シナリオにおいて,成人グリオーマのセグメンテーションを改善するための最先端のフレームワークをトレーニングするための合成データの利用,および放射線治療計画のための髄膜腫のセグメンテーションを提案する。
- 参考スコア（独自算出の注目度）: 2.0697927556594573
- License:
- Abstract: This paper presents the winning solution of task 1 and the third-placed solution of task 3 of the BraTS challenge. The use of automated tools in clinical practice has increased due to the development of more and more sophisticated and reliable algorithms. However, achieving clinical standards and developing tools for real-life scenarios is a major challenge. To this end, BraTS has organised tasks to find the most advanced solutions for specific purposes. In this paper, we propose the use of synthetic data to train state-of-the-art frameworks in order to improve the segmentation of adult gliomas in a post-treatment scenario, and the segmentation of meningioma for radiotherapy planning. Our results suggest that the use of synthetic data leads to more robust algorithms, although the synthetic data generation pipeline is not directly suited to the meningioma task. In task 1, we achieved a DSC of 0.7900, 0.8076, 0.7760, 0.8926, 0.7874, 0.8938 and a HD95 of 35.63, 30.35, 44.58, 16.87, 38.19, 17.95 for ET, NETC, RC, SNFH, TC and WT, respectively and, in task 3, we achieved a DSC of 0.801 and HD95 of 38.26, in the testing phase. The code for these tasks is available at https://github.com/ShadowTwin41/BraTS_2023_2024_solutions.
- Abstract（参考訳）: 本稿では,タスク1の勝利解とBraTSチャレンジのタスク3の第三位解について述べる。
臨床実践における自動化ツールの使用は、より高度で信頼性の高いアルゴリズムの開発により増大している。
しかし、臨床標準の達成と実生活シナリオのためのツール開発は大きな課題である。
この目的のために、BraTSは特定の目的のために最も高度なソリューションを見つけるためのタスクを組織した。
本稿では,治療後の治療シナリオにおける成人グリオーマのセグメンテーションを改善するために,合成データを用いた最先端のフレームワークの訓練,および放射線治療計画のための髄膜腫のセグメンテーションを提案する。
以上の結果から,合成データを用いた場合,より堅牢なアルゴリズムが期待できるが,合成データ生成パイプラインは髄膜腫のタスクに直接適合しない。
タスク1では0.7900, 0.8076, 0.7760, 0.8926, 0.7874, 0.8938, HD95, 35.63, 30.35, 44.58, 16.87, 38.19, 17.95, ET, NETC, RC, SNFH, TC, WTをそれぞれ達成し, タスク3では0.801, HD95, 38.26を達成した。
これらのタスクのコードはhttps://github.com/ShadowTwin41/BraTS_2023_2024_solutionsで公開されている。
関連論文リスト
- A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。
RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。
本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
論文 参考訳（メタデータ） (2025-01-14T16:28:02Z) - SegStitch: Multidimensional Transformer for Robust and Efficient Medical Imaging Segmentation [15.811141677039224]
最先端の手法、特にトランスフォーマーを利用した手法は、3Dセマンティックセグメンテーションにおいて顕著に採用されている。
しかし、局所的な特徴や計算の複雑さが無視されているため、普通の視覚変換器は困難に直面する。
本稿では,SegStitchを提案する。SegStitchは変圧器とODEブロックを結合した革新的なアーキテクチャである。
論文 参考訳（メタデータ） (2024-08-01T12:05:02Z) - How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation [2.063757582116522]
ディープラーニングは、脳腫瘍をセグメント化するための最先端技術である。
大量の高品質なデータが必要ですが、入手は困難です。
我々は、データ拡張に非従来的なメカニズムを用いることで、この問題に対処する。
論文 参考訳（メタデータ） (2024-02-27T08:49:30Z) - Automatic Aorta Segmentation with Heavily Augmented, High-Resolution 3-D
ResUNet: Contribution to the SEG.A Challenge [0.1633301148398433]
この研究は、MICCAI 2023カンファレンスで組織されたSEGへのMedGIFTチームの貢献を示す。
ディープエンコーダ・デコーダアーキテクチャに基づく完全自動アルゴリズムを提案する。
ソースコードと事前訓練されたモデルを自由にリリースし、Grand-Challengeプラットフォーム上でアルゴリズムへのアクセスを提供する。
論文 参考訳（メタデータ） (2023-10-24T13:28:46Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳（メタデータ） (2023-09-05T02:16:45Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors
Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。
具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。
提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
論文 参考訳（メタデータ） (2020-08-10T09:50:28Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Device-Robust Acoustic Scene Classification Based on Two-Stage
Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。
タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。
Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文 参考訳（メタデータ） (2020-07-16T15:07:14Z) - Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor
Segmentation [0.8397730500554047]
腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。
我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。
このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-17T08:25:43Z)
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。