論文の概要: Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors

• arxiv url: http://arxiv.org/abs/2412.08240v1
• Date: Wed, 11 Dec 2024 09:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:10.751391
• Title: Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors
• Title（参考訳）: HT-CNNの統一アーキテクチャ:MRIにおける異種脳腫瘍から小児腫瘍への転移学習
• Authors: Ramy A. Zeineldin, Franziska Mathis-Ullrich,
• Abstract要約: トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。 この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。 本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
• 参考スコア（独自算出の注目度）: 2.104687387907779
• License:
• Abstract: Accurate segmentation of brain tumors from 3D multimodal MRI is vital for diagnosis and treatment planning across diverse brain tumors. This paper addresses the challenges posed by the BraTS 2023, presenting a unified transfer learning approach that applies to a broader spectrum of brain tumors. We introduce HT-CNNs, an ensemble of Hybrid Transformers and Convolutional Neural Networks optimized through transfer learning for varied brain tumor segmentation. This method captures spatial and contextual details from MRI data, fine-tuned on diverse datasets representing common tumor types. Through transfer learning, HT-CNNs utilize the learned representations from one task to improve generalization in another, harnessing the power of pre-trained models on large datasets and fine-tuning them on specific tumor types. We preprocess diverse datasets from multiple international distributions, ensuring representativeness for the most common brain tumors. Our rigorous evaluation employs standardized quantitative metrics across all tumor types, ensuring robustness and generalizability. The proposed ensemble model achieves superior segmentation results across the BraTS validation datasets over the previous winning methods. Comprehensive quantitative evaluations using the DSC and HD95 demonstrate the effectiveness of our approach. Qualitative segmentation predictions further validate the high-quality outputs produced by our model. Our findings underscore the potential of transfer learning and ensemble approaches in medical image segmentation, indicating a substantial enhancement in clinical decision-making and patient care. Despite facing challenges related to post-processing and domain gaps, our study sets a new precedent for future research for brain tumor segmentation. The docker image for the code and models has been made publicly available, https://hub.docker.com/r/razeineldin/ht-cnns.
• Abstract（参考訳）: 3次元マルチモーダルMRIからの脳腫瘍の正確なセグメンテーションは、様々な脳腫瘍の診断と治療計画に不可欠である。 本稿では、BraTS 2023がもたらす課題に対処し、脳腫瘍の幅広い範囲に適用可能な、統一的な転写学習アプローチを提案する。 トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。 この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。 転送学習を通じて、HT-CNNは、あるタスクから学んだ表現を利用して、別のタスクにおける一般化を改善し、大きなデータセット上で事前訓練されたモデルのパワーを活用し、特定の腫瘍タイプに基づいてそれらを微調整する。 我々は、複数の国際分布から多様なデータセットを前処理し、最も一般的な脳腫瘍の代表性を確保する。 厳密な評価では、すべての腫瘍タイプに標準化された定量値を使用し、堅牢性と一般化性を確保している。 提案したアンサンブルモデルでは,従来の入賞方式よりも,BraTS検証データセットのセグメンテーション結果に優れる。 DSCとHD95を用いた総合的定量的評価は,本手法の有効性を示した。 定性的セグメンテーション予測は、我々のモデルによって生成された高品質な出力をさらに検証する。 本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。 ポストプロセッシングとドメインギャップに関する課題に直面しながらも、我々の研究は脳腫瘍セグメンテーションの新たな研究の先例を定めている。 コードとモデルのdockerイメージが公開された。https://hub.docker.com/r/razeineldin/ht-cnns。

関連論文リスト

• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• 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)
• Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet [0.29998889086656577]
  本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2024-01-12T10:46:19Z)
• Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel Approach Using the BraTS AFRICA Challenge Data [0.0]
  3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。 その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。 これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-14T15:34:22Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• 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。