論文の概要: Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation

• arxiv url: http://arxiv.org/abs/2504.06741v1
• Date: Wed, 09 Apr 2025 09:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:06:19.154214
• Title: Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation
• Title（参考訳）: 外傷性脳損傷に対する大規模プレトレーニング
• Authors: Constantin Ulrich, Tassilo Wald, Fabian Isensee, Klaus H. Maier-Hein,
• Abstract要約: msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
• 参考スコア（独自算出の注目度）: 1.1203032569015594
• License:
• Abstract: The segmentation of lesions in Moderate to Severe Traumatic Brain Injury (msTBI) presents a significant challenge in neuroimaging due to the diverse characteristics of these lesions, which vary in size, shape, and distribution across brain regions and tissue types. This heterogeneity complicates traditional image processing techniques, resulting in critical errors in tasks such as image registration and brain parcellation. To address these challenges, the AIMS-TBI Segmentation Challenge 2024 aims to advance innovative segmentation algorithms specifically designed for T1-weighted MRI data, the most widely utilized imaging modality in clinical practice. Our proposed solution leverages a large-scale multi-dataset supervised pretraining approach inspired by the MultiTalent method. We train a Resenc L network on a comprehensive collection of datasets covering various anatomical and pathological structures, which equips the model with a robust understanding of brain anatomy and pathology. Following this, the model is fine-tuned on msTBI-specific data to optimize its performance for the unique characteristics of T1-weighted MRI scans and outperforms the baseline without pretraining up to 2 Dice points.
• Abstract（参考訳）: 中等度から重度外傷性脳損傷(msTBI)における病変の分節化は、これらの病変の大きさ、形状、組織の種類によって異なるため、神経イメージングにおいて重要な課題となる。 この異質性は、従来の画像処理技術を複雑にし、画像登録や脳のパーセレーションといったタスクに重大なエラーをもたらす。 これらの課題に対処するため、AIMS-TBIセグメンテーションチャレンジ2024は、T1強調MRIデータに特化した革新的なセグメンテーションアルゴリズムを進歩させることを目的としている。 提案手法は,MultiTalent法にインスパイアされた大規模マルチデータセットによる事前学習手法を利用する。 我々は、様々な解剖学的、病理学的構造をカバーする包括的なデータセットの集合上にResenc Lネットワークをトレーニングし、脳解剖学と病理学の堅牢な理解をモデルとします。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化し、最大2Diceポイントまで事前学習することなくベースラインのパフォーマンスを向上する。

関連論文リスト

• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• A Foundation Model for Brain Lesion Segmentation with Mixture of Modality Experts [3.208907282505264]
  本稿では3次元脳病変分割のための普遍的基礎モデルを提案する。 我々は,様々な画像モダリティに対応する複数のエキスパートネットワークを備えた,新しいMixture of Modality Experts (MoME) フレームワークを定式化する。 我々のモデルは最先端のユニバーサルモデルより優れており、目に見えないデータセットに有望な一般化を提供する。
  論文  参考訳（メタデータ） (2024-05-16T16:49:20Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation [2.0886519175557368]
  我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。 このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。 検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
  論文  参考訳（メタデータ） (2024-02-10T18:03:15Z)
• ReFuSeg: Regularized Multi-Modal Fusion for Precise Brain Tumour Segmentation [5.967412944432766]
  本稿では,4つの異なる画像モダリティからの情報を活用した,脳病変セグメンテーションのための新しいマルチモーダルアプローチを提案する。 提案する正規化モジュールは,これらのシナリオに対して堅牢であり,病変のセグメンテーションの信頼性を保証する。
  論文  参考訳（メタデータ） (2023-08-26T13:41:56Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For Medical Imaging Segmentation [1.3812010983144802]
  方程式の線形系をCNNに解くための幾何学的多重グリッド法の原理を取り入れた2つのアーキテクチャを提案する。 腫瘍サブコンポーネントセグメンテーションの精度とトレーニング効率に関して,-Net と W-Net はともに,広く使用されているU-Net アーキテクチャよりも優れていることを示す。 これらの知見は, 医用画像分割の精度と効率を向上させるために, マルチグリッド法をCNNに導入する可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-04-05T20:03:08Z)
• 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)
• Learning joint segmentation of tissues and brain lesions from task-specific hetero-modal domain-shifted datasets [6.049813979681482]
  本稿では,タスク固有のデータセットから関節組織と病変のセグメンテーションモデルを構築するための新しい手法を提案する。 予測されるリスクがどのように分解され、経験的に最適化されるかを示す。 それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-09-08T22:00:00Z)
• 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。

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。