論文の概要: Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data

• arxiv url: http://arxiv.org/abs/2412.04111v2
• Date: Fri, 20 Dec 2024 23:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:19.866639
• Title: Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data
• Title（参考訳）: サハラ以南のアフリカにおける成体のグリオーマ分節
• Authors: Abhijeet Parida, Daniel Capellán-Martín, Zhifan Jiang, Austin Tapp, Xinyang Liu, Syed Muhammad Anwar, María J. Ledesma-Carbayo, Marius George Linguraru,
• Abstract要約: グリオーマは低所得国、中所得国、特にサハラ以南のアフリカで診断上の課題を呈している。 本稿では、最小限のMRIデータと低品質のMRIデータを用いて、リソース制限領域の課題に対処するために、トランスファーラーニングを用いたグリオーマセグメンテーションの新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.14919256198409
• License:
• Abstract: Gliomas, a kind of brain tumor characterized by high mortality, present substantial diagnostic challenges in low- and middle-income countries, particularly in Sub-Saharan Africa. This paper introduces a novel approach to glioma segmentation using transfer learning to address challenges in resource-limited regions with minimal and low-quality MRI data. We leverage pre-trained deep learning models, nnU-Net and MedNeXt, and apply a stratified fine-tuning strategy using the BraTS2023-Adult-Glioma and BraTS-Africa datasets. Our method exploits radiomic analysis to create stratified training folds, model training on a large brain tumor dataset, and transfer learning to the Sub-Saharan context. A weighted model ensembling strategy and adaptive post-processing are employed to enhance segmentation accuracy. The evaluation of our proposed method on unseen validation cases on the BraTS-Africa 2024 task resulted in lesion-wise mean Dice scores of 0.870, 0.865, and 0.926, for enhancing tumor, tumor core, and whole tumor regions and was ranked first for the challenge. Our approach highlights the ability of integrated machine-learning techniques to bridge the gap between the medical imaging capabilities of resource-limited countries and established developed regions. By tailoring our methods to a target population's specific needs and constraints, we aim to enhance diagnostic capabilities in isolated environments. Our findings underscore the importance of approaches like local data integration and stratification refinement to address healthcare disparities, ensure practical applicability, and enhance impact. A dockerized version of the BraTS-Africa 2024 winning algorithm is available at https://hub.docker.com/r/aparida12/brats-ssa-2024 .
• Abstract（参考訳）: 高死亡率を特徴とする脳腫瘍の一種であるグリオーマは、低所得国や中所得国、特にサハラ以南のアフリカで深刻な診断上の課題を呈している。 本稿では、最小限のMRIデータと低品質のMRIデータを用いて、リソース制限領域の課題に対処するために、トランスファーラーニングを用いたグリオーマセグメンテーションの新しいアプローチを提案する。 トレーニング済みのディープラーニングモデルであるnnU-NetとMedNeXtを活用し、BraTS2023-Adult-GliomaとBraTS-Africaデータセットを用いて、階層化された微調整戦略を適用する。 本手法は放射能解析を利用して層状化トレーニングフォールドを作成し,脳腫瘍データセットのモデルトレーニングを行い,サブサハラの文脈に学習を伝達する。 セグメンテーション精度を高めるため、重み付きモデルアンサンブル戦略と適応後処理を用いる。 提案手法によるBraTS-Africa 2024タスクの未確認評価の結果,腫瘍,腫瘍コア,腫瘍全領域のDiceスコアが0.870,0.865,0.926となり,第1位となった。 本手法は,資源制限国と確立した先進地域の医療画像能力のギャップを埋めるために,統合型機械学習技術が有効であることを示す。 対象者の特定のニーズや制約に合わせて手法を調整することで,孤立した環境における診断能力を向上することを目指す。 我々の発見は、医療格差に対処し、実用的な適用性を確保し、影響を高めるために、ローカルなデータ統合や階層化の洗練といったアプローチの重要性を強調します。 BraTS-Africa 2024のドッカー化バージョンはhttps://hub.docker.com/r/aparida12/brats-ssa-2024で入手できる。

関連論文リスト

• Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings [4.022491041135248]
  本研究では, グリオーマのセマンティックセグメンテーションのために, UNet3D, V-Net, MSA-VNetモデルを統合した深層学習アンサンブルを開発する。 DICEスコアは腫瘍コア0.8358、全腫瘍0.8521、腫瘍エンハンス0.8167である。
  論文  参考訳（メタデータ） (2025-02-04T09:53:09Z)
• Transferring Knowledge from High-Quality to Low-Quality MRI for Adult Glioma Diagnosis [19.217710134003017]
  本稿では,SSAアダルトグリオーマにおけるBraTS Challengeについて述べる。 我々は、BraTS-GLI 2021の勝利ソリューションからモデルを採用し、3つのトレーニング戦略で活用する。 結果は、BraTS-GLI 2021データセットの初期トレーニングに続いて、BraTS-Africaデータセットの微調整が最高の結果となったことを示している。
  論文  参考訳（メタデータ） (2024-10-24T12:48:12Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in Sub-Sharan African Populations [4.567712492463603]
  最も一般的な原発性脳腫瘍であるグリオーマは、診断と治療計画のために正確なセグメンテーションを必要とする。 本稿では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。 我が国の方法論は,アフリカなどの資源制限環境での臨床実践に大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-12-19T01:10:11Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
  本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。 また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
  論文  参考訳（メタデータ） (2022-11-09T14:52:36Z)
• 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)
• A Transfer Learning Based Active Learning Framework for Brain Tumor Classification [10.437969366798411]
  そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。 我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。 提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
  論文  参考訳（メタデータ） (2020-11-16T21:11:40Z)

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。