論文の概要: Resource-Efficient Glioma Segmentation on Sub-Saharan MRI

• arxiv url: http://arxiv.org/abs/2509.09469v1
• Date: Thu, 11 Sep 2025 13:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.409246
• Title: Resource-Efficient Glioma Segmentation on Sub-Saharan MRI
• Title（参考訳）: サブサハラMRIにおけるグリオーマの資源効率
• Authors: Freedmore Sidume, Oumayma Soula, Joseph Muthui Wacira, YunFei Zhu, Abbas Rabiu Muhammad, Abderrazek Zeraii, Oluwaseun Kalejaye, Hajer Ibrahim, Olfa Gaddour, Brain Halubanza, Dong Zhang, Udunna C Anazodo, Confidence Raymond,
• Abstract要約: 本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
• 参考スコア（独自算出の注目度）: 4.522693679811991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas are the most prevalent type of primary brain tumors, and their accurate segmentation from MRI is critical for diagnosis, treatment planning, and longitudinal monitoring. However, the scarcity of high-quality annotated imaging data in Sub-Saharan Africa (SSA) poses a significant challenge for deploying advanced segmentation models in clinical workflows. This study introduces a robust and computationally efficient deep learning framework tailored for resource-constrained settings. We leveraged a 3D Attention UNet architecture augmented with residual blocks and enhanced through transfer learning from pre-trained weights on the BraTS 2021 dataset. Our model was evaluated on 95 MRI cases from the BraTS-Africa dataset, a benchmark for glioma segmentation in SSA MRI data. Despite the limited data quality and quantity, our approach achieved Dice scores of 0.76 for the Enhancing Tumor (ET), 0.80 for Necrotic and Non-Enhancing Tumor Core (NETC), and 0.85 for Surrounding Non-Functional Hemisphere (SNFH). These results demonstrate the generalizability of the proposed model and its potential to support clinical decision making in low-resource settings. The compact architecture, approximately 90 MB, and sub-minute per-volume inference time on consumer-grade hardware further underscore its practicality for deployment in SSA health systems. This work contributes toward closing the gap in equitable AI for global health by empowering underserved regions with high-performing and accessible medical imaging solutions.
• Abstract（参考訳）: グリオーマは原発性脳腫瘍の最も多いタイプであり、MRIからの正確な分節は診断、治療計画、縦断モニタリングに重要である。 しかし、サブサハラアフリカ(SSA)における高品質なアノテート画像データの不足は、高度なセグメンテーションモデルを臨床ワークフローに展開する上で重要な課題となっている。 本研究では,資源制約の設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS 2021データセットのトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,伝達学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。 データ品質と量に制限があるにもかかわらず,本手法は腫瘍拡大率(ET)0.76,壊死性および非エンハンシング性腫瘍コア(NETC)0.80,非ファンクション性半球周囲率0.85を達成した。 これらの結果は,提案モデルの一般化可能性と低リソース環境での臨床的意思決定を支援する可能性を示すものである。 約90MBのコンパクトアーキテクチャと、コンシューマグレードのハードウェア上でのサブ分間の推論時間により、SSAヘルスシステムへの展開の実用性はさらに低下した。 この研究は、ハイパフォーマンスでアクセス可能な医療画像ソリューションによって、未保存領域に権限を与えることによって、グローバルヘルスのための公平なAIのギャップを埋めることに寄与する。

関連論文リスト

• EMedNeXt: An Enhanced Brain Tumor Segmentation Framework for Sub-Saharan Africa using MedNeXt V2 with Deep Supervision [2.687768982276134]
  MedNeXt V2をベースとした拡張脳腫瘍セグメンテーションフレームワークであるEMedNeXtについて述べる。 我々の解は平均LesionWise DSCが0.897、平均LesionWise NSDが0.541、0.84を0.5mm、1.0mmで達成した。
  論文  参考訳（メタデータ） (2025-07-31T05:30:19Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification with Swin-HAFNet [0.6840587119863303]
  我々は,脳腫瘍の分類と分類に特化して設計されたBRISCという新しいMRIデータセットを提案する。 このデータセットは、放射線医や医師によって注釈された6000個の造影T1強調MRIスキャンで構成されている。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings [4.022491041135248]
  本研究では, グリオーマのセマンティックセグメンテーションのために, UNet3D, V-Net, MSA-VNetモデルを統合した深層学習アンサンブルを開発する。 DICEスコアは腫瘍コア0.8358、全腫瘍0.8521、腫瘍エンハンス0.8167である。
  論文  参考訳（メタデータ） (2025-02-04T09:53:09Z)
• Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data [6.14919256198409]
  グリオーマは低所得国、中所得国、特にサハラ以南のアフリカで診断上の課題を呈している。 本稿では、最小限のMRIデータと低品質のMRIデータを用いて、リソース制限領域の課題に対処するために、トランスファーラーニングを用いたグリオーマセグメンテーションの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-05T12:29:12Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
  手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
  論文  参考訳（メタデータ） (2023-04-18T10:14:45Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• 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)

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。