論文の概要: Comparative Evaluation of Hard and Soft Clustering for Precise Brain Tumor Segmentation in MR Imaging
- arxiv url: http://arxiv.org/abs/2509.05340v1
- Date: Mon, 01 Sep 2025 16:40:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.441525
- Title: Comparative Evaluation of Hard and Soft Clustering for Precise Brain Tumor Segmentation in MR Imaging
- Title（参考訳）: MR画像における精密脳腫瘍郭清のためのハードクラスタリングとソフトクラスタリングの比較検討
- Authors: Dibya Jyoti Bora, Mrinal Kanti Mishra,
- Abstract要約: K-Meansアルゴリズムで例示されるハードクラスタリングと,Fuzzy C-Means (FCM)で表されるソフトクラスタリングを比較した。
K平均は平均0.3秒、FCMは平均0.67のセグメンテーション精度を、K平均は0.43の精度で達成した。
これらの結果は、計算効率と境界精度との本質的にのトレードオフを浮き彫りにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation of brain tumors from Magnetic Resonance Imaging (MRI) remains a pivotal challenge in medical image analysis due to the heterogeneous nature of tumor morphology and intensity distributions. Accurate delineation of tumor boundaries is critical for clinical decision-making, radiotherapy planning, and longitudinal disease monitoring. In this study, we perform a comprehensive comparative analysis of two major clustering paradigms applied in MRI tumor segmentation: hard clustering, exemplified by the K-Means algorithm, and soft clustering, represented by Fuzzy C-Means (FCM). While K-Means assigns each pixel strictly to a single cluster, FCM introduces partial memberships, meaning each pixel can belong to multiple clusters with varying degrees of association. Experimental validation was performed using the BraTS2020 dataset, incorporating pre-processing through Gaussian filtering and Contrast Limited Adaptive Histogram Equalization (CLAHE). Evaluation metrics included the Dice Similarity Coefficient (DSC) and processing time, which collectively demonstrated that K-Means achieved superior speed with an average runtime of 0.3s per image, whereas FCM attained higher segmentation accuracy with an average DSC of 0.67 compared to 0.43 for K-Means, albeit at a higher computational cost (1.3s per image). These results highlight the inherent trade-off between computational efficiency and boundary precision.
- Abstract（参考訳）: 磁気共鳴画像(MRI)からの脳腫瘍の分離は、腫瘍形態と強度分布の不均一性により、医用画像解析において重要な課題である。
腫瘍境界の正確な記述は、臨床診断、放射線治療計画、縦断的疾患モニタリングに重要である。
本研究では,K-Meansアルゴリズムで例示されるハードクラスタリングと,Fuzzy C-Means (FCM)で表されるソフトクラスタリングの2つのMRI腫瘍セグメンテーションに適用される主要なクラスタリングパラダイムについて,包括的な比較分析を行った。
K-平均は各ピクセルを厳密に1つのクラスタに割り当てるが、FCMは部分的なメンバシップを導入する。
ガウスフィルターとコントラスト限定適応ヒストグラム等化(CLAHE)による前処理を組み込んだBraTS2020データセットを用いて実験的に検証を行った。
評価指標にはDice similarity Coefficient (DSC) と処理時間が含まれており、これはK-Meansが平均実行時間0.3秒で優れた速度を達成しているのに対して、FCMは計算コスト(画像当たり1.3秒)が高いにもかかわらず、平均DSCが0.67で高いセグメンテーション精度を達成したことを示している。
これらの結果は、計算効率と境界精度との本質的にのトレードオフを浮き彫りにする。
関連論文リスト
- LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - Subclass Classification of Gliomas Using MRI Fusion Technique [0.0]
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。
論文 参考訳（メタデータ） (2025-02-26T03:10:33Z) - Quantitative evaluation of unsupervised clustering algorithms for dynamic total-body PET image analysis [0.0]
冠動脈疾患と診断された30例の患者から収集した15ドルO-water PET画像を用いて検討した。
クラスタリングアルゴリズムを定量的に評価するために,脳,右心室,右腎,右肺葉下部,膀胱から曲線が取られるか否かに基づいて,各画像から5000個のTACを分類した。
以上の結果から, GMM, FCM, ICAとミニバッチK平均値の組み合わせでTACを89%, 83%, 81%と分類した。
論文 参考訳（メタデータ） (2025-02-11T12:28:50Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - 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) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳（メタデータ） (2022-10-06T18:23:42Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳（メタデータ） (2020-04-15T15:46:09Z)
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。