論文の概要: Efficient 3D Brain Tumor Segmentation with Axial-Coronal-Sagittal Embedding

• arxiv url: http://arxiv.org/abs/2506.00434v1
• Date: Sat, 31 May 2025 07:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.996849
• Title: Efficient 3D Brain Tumor Segmentation with Axial-Coronal-Sagittal Embedding
• Title（参考訳）: Axial-Coronal-Sagittal Embedding を用いた高能率3次元脳腫瘍切離術
• Authors: Tuan-Luc Huynh, Thanh-Danh Le, Tam V. Nguyen, Trung-Nghia Le, Minh-Triet Tran,
• Abstract要約: 医用画像における脳腫瘍セグメンテーションの重要課題に対処し,その性能向上のための革新的なアプローチを提案する。 これらの制限を克服するために、Axial-Coronal-Sagittal畳み込みとImageNetからの事前訓練した重み付けをnnU-Netフレームワークに統合する。 2次元事前学習した重量を3次元領域に移動させる2つの戦略が提示され、学習関係の保存が保証された。
• 参考スコア（独自算出の注目度）: 15.775881888811018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the crucial task of brain tumor segmentation in medical imaging and propose innovative approaches to enhance its performance. The current state-of-the-art nnU-Net has shown promising results but suffers from extensive training requirements and underutilization of pre-trained weights. To overcome these limitations, we integrate Axial-Coronal-Sagittal convolutions and pre-trained weights from ImageNet into the nnU-Net framework, resulting in reduced training epochs, reduced trainable parameters, and improved efficiency. Two strategies for transferring 2D pre-trained weights to the 3D domain are presented, ensuring the preservation of learned relationships and feature representations critical for effective information propagation. Furthermore, we explore a joint classification and segmentation model that leverages pre-trained encoders from a brain glioma grade classification proxy task, leading to enhanced segmentation performance, especially for challenging tumor labels. Experimental results demonstrate that our proposed methods in the fast training settings achieve comparable or even outperform the ensemble of cross-validation models, a common practice in the brain tumor segmentation literature.
• Abstract（参考訳）: 本稿では,医療画像における脳腫瘍セグメンテーションの重要課題に対処し,その性能向上のための革新的なアプローチを提案する。 現在最先端のnnU-Netは有望な結果を示しているが、広範な訓練要件と事前訓練された重量の未使用に悩まされている。 これらの制限を克服するため、ImageNetからのAxial-Coronal-Sagittal畳み込みと事前訓練した重み付けをnnU-Netフレームワークに統合し、トレーニングエポックの低減、トレーニング可能なパラメータの削減、効率の向上を実現した。 2次元事前学習した重みを3次元領域に転送する2つの戦略が提示され、学習関係の保存と効果的な情報伝達に不可欠な特徴表現が確保される。 さらに,脳グリオーマ分類代行タスクからトレーニング済みエンコーダを利用する共同分類とセグメンテーションモデルについて検討し,特に挑戦的な腫瘍ラベルに対するセグメンテーション性能の向上につながった。 実験の結果, 高速トレーニングにおける提案手法は, 脳腫瘍セグメンテーションの文献でよく見られる, クロスバリデーションモデルのアンサンブルに匹敵する, あるいはさらに優れることがわかった。

関連論文リスト

• Medical Semantic Segmentation with Diffusion Pretrain [1.9415817267757087]
  近年のディープラーニングの進歩は、多くのコンピュータビジョンタスクの成功にロバストな特徴表現の学習が不可欠であることを示している。 本稿では,3次元医用画像データの複雑化に合わせて,解剖学的ガイダンスを持つ拡散モデルを用いた新しい事前学習戦略を提案する。 拡散過程において3次元の普遍的な身体部分座標を予測しガイダンスを与えるモデルを用いる。
  論文  参考訳（メタデータ） (2025-01-31T16:25:49Z)
• Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
  本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。 まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。 次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
  論文  参考訳（メタデータ） (2024-06-21T01:53:12Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 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)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Med-Tuning: A New Parameter-Efficient Tuning Framework for Medical Volumetric Segmentation [37.42382366505377]
  我々は,医療用ボリュームセグメンテーションタスクのためのパラメータ効率チューニング(PET)を実現するために,Med-Tuningという新しいフレームワークを導入した。 本フレームワークは,自然画像上で事前学習したセグメンテーション作業における2次元ベースラインの精度を向上させる。 完全なFTと比較して、Med-Tuningは細調整されたモデルのパラメータを最大4倍に減らし、セグメンテーション性能も向上した。
  論文  参考訳（メタデータ） (2023-04-21T10:47:13Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。