論文の概要: Subclass Classification of Gliomas Using MRI Fusion Technique

• arxiv url: http://arxiv.org/abs/2502.18775v1
• Date: Wed, 26 Feb 2025 03:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:21.560756
• Title: Subclass Classification of Gliomas Using MRI Fusion Technique
• Title（参考訳）: MRI核融合法によるグリオーマの亜分類
• Authors: Kiranmayee Janardhan, Christy Bobby Thomas,
• Abstract要約: 原発性脳腫瘍であるグリオーマは、様々な攻撃性レベルと予後を示す。 本研究の目的は,T1,T2,T1ce,および流体減衰インバージョン回復シーケンスからMRI画像を融合するアルゴリズムを開発することである。 提案手法は精度99.25%、精度99.30%、リコール99.10、F1スコア99.19%、インターセクションオーバーユニオン84.49%、特異度99.76を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Glioma, the prevalent primary brain tumor, exhibits diverse aggressiveness levels and prognoses. Precise classification of glioma is paramount for treatment planning and predicting prognosis. This study aims to develop an algorithm to fuse the MRI images from T1, T2, T1ce, and fluid-attenuated inversion recovery (FLAIR) sequences to enhance the efficacy of glioma subclass classification as no tumor, necrotic core, peritumoral edema, and enhancing tumor. The MRI images from BraTS datasets were used in this work. The images were pre-processed using max-min normalization to ensure consistency in pixel intensity values across different images. The segmentation of the necrotic core, peritumoral edema, and enhancing tumor was performed on 2D and 3D images separately using UNET architecture. Further, the segmented regions from multimodal MRI images were fused using the weighted averaging technique. Integrating 2D and 3D segmented outputs enhances classification accuracy by capturing detailed features like tumor shape, boundaries, and intensity distribution in slices, while also providing a comprehensive view of spatial extent, shape, texture, and localization within the brain volume. The fused images were used as input to the pre-trained ResNet50 model for glioma subclass classification. The network is trained on 80% and validated on 20% of the data. The proposed method achieved a classification of accuracy of 99.25%, precision of 99.30%, recall of 99.10, F1 score of 99.19%, Intersection Over Union of 84.49%, and specificity of 99.76, which showed a significantly higher performance than existing techniques. These findings emphasize the significance of glioma segmentation and classification in aiding accurate diagnosis.
• Abstract（参考訳）: 原発性脳腫瘍であるグリオーマは、様々な攻撃性レベルと予後を示す。 グリオーマの正確な分類は治療計画と予後予測に最重要である。 本研究の目的は,T1,T2,T1ce,Fluid-attenuated inversion recovery (FLAIR) からMRI像を融合させるアルゴリズムを開発し,腫瘍,壊死核,頭蓋周囲浮腫などのグリオーマサブクラス分類の有効性を高めることにある。 この研究では、BraTSデータセットからのMRI画像が使用された。 画像は、各画像の画素強度値の整合性を確保するために、max-min正規化を用いて前処理された。 UNET アーキテクチャを用いて2D と 3D の画像を分離し, 壊死核, 縦隔浮腫, 造影腫瘍の分画を行った。 さらに、重み付け平均化法を用いて、マルチモーダルMRI画像からの分割領域を融合させた。 2Dと3Dセグメンテッドアウトプットを統合することで、スライスにおける腫瘍の形状、境界、強度分布といった詳細な特徴を捉え、また、空間的範囲、形状、テクスチャ、脳の体積内の局在を包括的に把握することで、分類精度を高めることができる。 融合画像は、グリオーマサブクラス分類のための事前訓練されたResNet50モデルの入力として使用された。 ネットワークは80%でトレーニングされ、20%のデータで検証される。 提案手法は、99.25%の精度、99.30%の精度、99.10のリコール、F1スコア99.19%のスコア、84.49%のインターセクションオーバーユニオン、99.76の特異性を達成した。 以上よりグリオーマの鑑別・分類の重要性が示唆された。

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)
• A Deep Learning Approach for Brain Tumor Classification and Segmentation Using a Multiscale Convolutional Neural Network [0.0]
  本稿では,Deep Convolutional Neural Networkを用いた完全自動脳腫瘍分割分類モデルを提案する。 腫瘍の分類精度は0.973で, 同一のデータベースを用いた他の手法よりも高い値を示した。
  論文  参考訳（メタデータ） (2024-02-04T17:47:03Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Neural Gas Network Image Features and Segmentation for Brain Tumor Detection Using Magnetic Resonance Imaging Data [0.0]
  本研究は,画像コントラスト強調のためのメタヒューリスティックファイアフライアルゴリズム(FA)を前処理として用いた。 また,SVM(Support Vector Machine)分類アルゴリズムを用いて腫瘍分類を行い,深層学習手法と比較した。 95.14 %の分類精度と0.977のセグメンテーション精度を提案手法により達成した。
  論文  参考訳（メタデータ） (2023-01-28T12:16:37Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A Data Augmentation Method for Fully Automatic Brain Tumor Segmentation [2.9364290037516496]
  The augmentation method called Mixup, and applied to the three-dimensional U-Net architecture for brain tumor segmentation。 実験の結果、Diceスコアの平均精度は、腫瘍全体の91.32%、85.67%、82.20%である。
  論文  参考訳（メタデータ） (2022-02-13T15:28:49Z)
• 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)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
  そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。 この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。 提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
  論文  参考訳（メタデータ） (2020-02-26T14:10:40Z)

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。