Fugu-MT 論文翻訳(概要): SCC-YOLO: An Improved Object Detector for Assisting in Brain Tumor Diagnosis

論文の概要: SCC-YOLO: An Improved Object Detector for Assisting in Brain Tumor Diagnosis

arxiv url: http://arxiv.org/abs/2501.03836v3
Date: Sun, 02 Mar 2025 06:41:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-04 16:10:54.196329
Title: SCC-YOLO: An Improved Object Detector for Assisting in Brain Tumor Diagnosis
Title（参考訳）: 脳腫瘍診断支援用改良型物体検出器SCC-YOLO
Authors: Runci Bai, Guibao Xu, Yanze Shi,
Abstract要約: You Only Look Once (YOLO)シリーズは、医用画像検出において優れた精度を示している。本稿では,SCConvモジュールをYOLOv9に統合した新しいSCC-YOLOアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Brain tumors can lead to neurological dysfunction, cognitive and psychological changes, increased intracranial pressure, and seizures, posing significant risks to health. The You Only Look Once (YOLO) series has shown superior accuracy in medical imaging object detection. This paper presents a novel SCC-YOLO architecture that integrates the SCConv module into YOLOv9. The SCConv module optimizes convolutional efficiency by reducing spatial and channel redundancy, enhancing image feature learning. We examine the effects of different attention mechanisms with YOLOv9 for brain tumor detection using the Br35H dataset and our custom dataset (Brain_Tumor_Dataset). Results indicate that SCC-YOLO improved mAP50 by 0.3% on the Br35H dataset and by 0.5% on our custom dataset compared to YOLOv9. SCC-YOLO achieves state-of-the-art performance in brain tumor detection.
Abstract（参考訳）: 脳腫瘍は神経障害、認知的・心理的変化、頭蓋内圧の上昇、発作を引き起こし、健康に重大なリスクをもたらす。 You Only Look Once (YOLO)シリーズは、医用画像検出において優れた精度を示している。本稿では,SCConvモジュールをYOLOv9に統合した新しいSCC-YOLOアーキテクチャを提案する。 SCConvモジュールは、空間的およびチャネル的冗長性を低減し、画像特徴学習を強化することにより、畳み込み効率を最適化する。 Br35Hデータセットと我々のカスタムデータセット(Brain_Tumor_Dataset)を用いた脳腫瘍検出におけるYOLOv9と異なる注意機構の効果を検討した。その結果、SCC-YOLOは、Br35HデータセットでmAP50を0.3%改善し、YOLOv9と比較してカスタムデータセットで0.5%改善した。 SCC-YOLOは、脳腫瘍検出における最先端のパフォーマンスを達成する。

関連論文リスト

Real-Time Brain Tumor Detection in Intraoperative Ultrasound Using YOLO11: From Model Training to Deployment in the Operating Room [13.503074690080453]
術中超音波(ioUS)は脳腫瘍手術において,術中ワークフローへの能率性,手頃性,シームレスな統合により有用である。本研究は,手術室に展開可能なリアルタイム脳腫瘍検出システムを開発することにより,ioUS画像の解釈可能性を高めることを目的とした。脳腫瘍術中データベース(BraTioUS)とパブリックReMINDデータセットから2D ioUS画像の収集を行った。 YOLO11アーキテクチャとその変異体を用いて、脳腫瘍を特定するために物体検出モデルを訓練した。
論文参考訳（メタデータ） (2025-01-27T12:29:19Z)
PK-YOLO: Pretrained Knowledge Guided YOLO for Brain Tumor Detection in Multiplanar MRI Slices [6.502259209532815]
我々は、PK-YOLOと呼ばれる事前学習知識(PK)を組み込んだ新しいYou Only Look Once(YOLO)ベースの検出モデルを提案する。 PK-YOLOは、YOLOをベースとした物体検出器として初めて訓練された知識である。提案したPK-YOLOは,多平面MRI脳腫瘍検出データセット上での競合性能を示す。
論文参考訳（メタデータ） (2024-10-29T07:45:59Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
ADA-YOLO: Dynamic Fusion of YOLOv8 and Adaptive Heads for Precise Image Detection and Diagnosis [0.9804179673817571]
本稿では,注目に基づく機構をYOLOv8アーキテクチャと統合した,軽量かつ効果的な医療オブジェクト検出手法であるADA-YOLOを提案する。提案手法は,テキスト適応型ヘッドモジュールによるコンピュータビジョンタスクの動的特徴ローカライゼーションと並列回帰を利用する。
論文参考訳（メタデータ） (2023-12-14T18:27:13Z)
BGF-YOLO: Enhanced YOLOv8 with Multiscale Attentional Feature Fusion for Brain Tumor Detection [6.502259209532815]
You Only Look Once (YOLO)ベースの物体検出器は、自動脳腫瘍検出に顕著な精度を示している。両レベルのルーティングアテンション、一般化された特徴ピラミッドネットワーク、および第4検出ヘッドをYOLOv8に組み込むことにより、新しいBGF-YOLOアーキテクチャを開発する。 BGF-YOLOは、YOLOv8xと比較して4.7%のmAP$_50$を絶対的に増加させ、脳腫瘍検出データセットBr35Hの最先端を達成する。
論文参考訳（メタデータ） (2023-09-22T02:24:58Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
論文参考訳（メタデータ） (2023-07-31T05:38:17Z)
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)

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。