論文の概要: BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans

• arxiv url: http://arxiv.org/abs/2412.06507v1
• Date: Mon, 09 Dec 2024 14:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:56:17.285802
• Title: BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans
• Title（参考訳）: BATseg : 3次元MRIにおける境界認識型脊髄腫瘍切除
• Authors: Hongkang Song, Zihui Zhang, Yanpeng Zhou, Jie Hu, Zishuo Wang, Hou Him Chan, Chon Lok Lei, Chen Xu, Yu Xin, Bo Yang,
• Abstract要約: BATsegと呼ばれる新しい手法を提案し,新しい境界認識損失関数を適用して腫瘍表面距離場を学習する。 本手法の有効性を検証するため,初回および大規模脊髄腫瘍データセットも導入した。
• 参考スコア（独自算出の注目度）: 10.038316516520055
• License:
• Abstract: Spinal cord tumors significantly contribute to neurological morbidity and mortality. Precise morphometric quantification, encompassing the size, location, and type of such tumors, holds promise for optimizing treatment planning strategies. Although recent methods have demonstrated excellent performance in medical image segmentation, they primarily focus on discerning shapes with relatively large morphology such as brain tumors, ignoring the challenging problem of identifying spinal cord tumors which tend to have tiny sizes, diverse locations, and shapes. To tackle this hard problem of multiclass spinal cord tumor segmentation, we propose a new method, called BATseg, to learn a tumor surface distance field by applying our new multiclass boundary-aware loss function. To verify the effectiveness of our approach, we also introduce the first and large-scale spinal cord tumor dataset. It comprises gadolinium-enhanced T1-weighted 3D MRI scans from 653 patients and contains the four most common spinal cord tumor types: astrocytomas, ependymomas, hemangioblastomas, and spinal meningiomas. Extensive experiments on our dataset and another public kidney tumor segmentation dataset show that our proposed method achieves superior performance for multiclass tumor segmentation.
• Abstract（参考訳）: 脊髄腫瘍は神経学的死亡率と死亡率に大きく寄与する。 このような腫瘍のサイズ、位置、タイプを含む精密な形態計測定量化は、治療計画戦略の最適化を約束する。 近年,脳腫瘍などの比較的大きな形態をもつ形状の識別に焦点が当てられているが,小ささや多様な位置,形状を持つ脊髄腫瘍を同定する難しい問題を無視している。 BATsegと呼ばれるこの難解な脊髄腫瘍セグメント化問題に対処するために,我々は新しい多クラス境界認識損失関数を適用して腫瘍表面距離場を学習する手法を提案する。 本手法の有効性を検証するため,初回および大規模脊髄腫瘍データセットも導入した。 ガドリニウムを添加したT1強調3次元MRIスキャンを653例に用いて, 脊髄腫瘍として, 腹腔内腫, エペンジノーマ, 血管芽細胞腫, 髄膜腫の4種類を含む。 以上の結果から,本手法は多型性腫瘍のセグメンテーションに優れた性能を発揮することが示唆された。

関連論文リスト

• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• Spatio-spectral classification of hyperspectral images for brain cancer detection during surgical operations [0.0]
  脳腫瘍の手術は神経外科において大きな問題である。 手術中の腫瘍境界の同定は困難である。 本研究では,ハイパースペクトル画像の空間特性とスペクトル特性を考慮した新しい分類法の開発について述べる。
  論文  参考訳（メタデータ） (2024-02-11T12:58:42Z)
• Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
  グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。 Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
  論文  参考訳（メタデータ） (2023-11-09T18:55:27Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• 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)
• MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification [0.9176056742068814]
  本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。 このモデルは既存の最先端モデルと比較して有望な結果を得た。
  論文  参考訳（メタデータ） (2021-07-26T16:51:00Z)
• Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning [3.2803205051531235]
  我々は,腫瘍を2段階のプロセスで分割する u-net モデルを用いたカスケードアーキテクチャを提案する。 腫瘍、空洞および浮腫のセグメント化(単一のクラスとして)は76.7 $pm$ 1.5%のダイススコアに達し、腫瘍のセグメント化は単独で61.8 $pm$ 4.0%のダイススコアに達した。
  論文  参考訳（メタデータ） (2020-12-23T17:31:08Z)
• 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)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。