論文の概要: PSO-UNet: Particle Swarm-Optimized U-Net Framework for Precise Multimodal Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2503.19152v1
• Date: Mon, 24 Mar 2025 21:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:50:56.188379
• Title: PSO-UNet: Particle Swarm-Optimized U-Net Framework for Precise Multimodal Brain Tumor Segmentation
• Title（参考訳）: PSO-UNet: 精密マルチモーダル脳腫瘍分離のためのパーティクルスウォーム最適化U-Netフレームワーク
• Authors: Shoffan Saifullah, Rafał Dreżewski,
• Abstract要約: 本研究では,粒子群最適化(PSO)と動的ハイパーパラメータ最適化のためのU-Netアーキテクチャを統合したPSO-UNetを提案する。 PSO-UNet はセグメント化性能を大幅に向上させ、BraTS 2021 と Figshare のデータセットでそれぞれ 0.9578 と 0.9523 のDice similarity Coefficients (DSC) を達成する。 この手法は計算の複雑さを大幅に減らし、7.8百万のパラメータしか利用せず、約906秒で実行される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Medical image segmentation, particularly for brain tumor analysis, demands precise and computationally efficient models due to the complexity of multimodal MRI datasets and diverse tumor morphologies. This study introduces PSO-UNet, which integrates Particle Swarm Optimization (PSO) with the U-Net architecture for dynamic hyperparameter optimization. Unlike traditional manual tuning or alternative optimization approaches, PSO effectively navigates complex hyperparameter search spaces, explicitly optimizing the number of filters, kernel size, and learning rate. PSO-UNet substantially enhances segmentation performance, achieving Dice Similarity Coefficients (DSC) of 0.9578 and 0.9523 and Intersection over Union (IoU) scores of 0.9194 and 0.9097 on the BraTS 2021 and Figshare datasets, respectively. Moreover, the method reduces computational complexity significantly, utilizing only 7.8 million parameters and executing in approximately 906 seconds, markedly faster than comparable U-Net-based frameworks. These outcomes underscore PSO-UNet's robust generalization capabilities across diverse MRI modalities and tumor classifications, emphasizing its clinical potential and clear advantages over conventional hyperparameter tuning methods. Future research will explore hybrid optimization strategies and validate the framework against other bio-inspired algorithms to enhance its robustness and scalability.
• Abstract（参考訳）: 医用画像のセグメンテーション、特に脳腫瘍解析は、マルチモーダルMRIデータセットの複雑さと多様な腫瘍形態が原因で、正確かつ計算的に効率的なモデルを必要とする。 本研究では,粒子群最適化(PSO)とU-Netアーキテクチャを統合し,動的ハイパーパラメータ最適化を実現するPSO-UNetを提案する。 従来の手動チューニングや代替最適化とは異なり、PSOは複雑なハイパーパラメータ検索空間を効果的にナビゲートし、フィルタ数、カーネルサイズ、学習率を明示的に最適化する。 PSO-UNet はセグメント化性能を大幅に向上させ、BraTS 2021 と Figshare のデータセットでそれぞれ 0.9578 と 0.9523 のDice similarity Coefficient (DSC) と Intersection over Union (IoU) スコア 0.9194 と 0.9097 を達成した。 さらに、この手法は7.8百万のパラメータしか利用せず、約906秒で実行することで計算の複雑さを大幅に減らし、同等のU-Netベースのフレームワークよりも著しく高速である。 これらの結果は、PSO-UNetの様々なMRIモダリティと腫瘍分類にまたがる堅牢な一般化能力を強調し、その臨床的可能性と従来のハイパーパラメータチューニング法に対する明確な優位性を強調している。 今後の研究は、ハイブリッド最適化戦略を探求し、その堅牢性とスケーラビリティを高めるために、他のバイオインスパイアされたアルゴリズムに対するフレームワークの有効性を検証する。

関連論文リスト

• Constrained Hybrid Metaheuristic Algorithm for Probabilistic Neural Networks Learning [0.3686808512438362]
  本研究では、確率論的ニューラルネットワーク(PNN)のトレーニングを強化するためのハイブリッドメタヒューリスティックアルゴリズムの可能性について検討する。 勾配に基づくアプローチのような伝統的な学習手法は、しばしば高次元で不確実な環境を最適化するのに苦労する。 本稿では,複数の個体群に基づく最適化手法を組み合わせた制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T19:49:16Z)
• Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning [5.062500255359342]
  自動脳腫瘍分割のためのResUNetアーキテクチャを提案する。 EfficientNetB0エンコーダは、事前訓練された機能を活用して、機能の抽出効率を向上させる。 チャネルアテンション機構は、腫瘍関連の特徴に焦点を絞るモデルを強化する。
  論文  参考訳（メタデータ） (2025-01-19T23:58:16Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
  この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。 CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。 比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-08T09:27:42Z)
• SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation [0.0]
  本稿では,SEDNetと呼ばれる新しい浅層エンコーダとデコーダネットワークを含む腫瘍セグメンテーションフレームワークを提案する。 SEDNetのハイライトは、階層的畳み込みダウンサンプリングにおける十分さと、コスト効率が高く効果的な脳腫瘍セマンティックセグメンテーションのための選択的スキップメカニズムである。 SEDNet(X)は、約130万のパラメータと、最先端のSEDNet(X)と比較すると、リアルタイム臨床診断において計算的に効率的であることが示されている。
  論文  参考訳（メタデータ） (2024-01-24T11:57:25Z)
• Multi-modal Brain Tumor Segmentation via Missing Modality Synthesis and Modality-level Attention Fusion [3.9562534927482704]
  我々は、Modality-Level Attention Fusion Network (MAF-Net) というエンドツーエンドフレームワークを提案する。 提案するMAF-Netはより優れたT1ce合成性能と正確な脳腫瘍セグメンテーションをもたらす。
  論文  参考訳（メタデータ） (2022-03-09T09:08:48Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Online hyperparameter optimization by real-time recurrent learning [57.01871583756586]
  ニューラルネットワーク(rnn)におけるハイパーパラメータ最適化とパラメータ学習の類似性を活用した。 RNNのための学習済みのオンライン学習アルゴリズムのファミリーを適応させ、ハイパーパラメータとネットワークパラメータを同時に調整します。 この手順は、通常の方法に比べて、ウォールクロック時間のほんの少しで、体系的に一般化性能が向上する。
  論文  参考訳（メタデータ） (2021-02-15T19:36:18Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• An Asymptotically Optimal Multi-Armed Bandit Algorithm and Hyperparameter Optimization [48.5614138038673]
  本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。 また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。 実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
  論文  参考訳（メタデータ） (2020-07-11T03:15:21Z)

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。