論文の概要: Frequency-Aware Ensemble Learning for BraTS 2025 Pediatric Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2509.19353v2
• Date: Mon, 29 Sep 2025 03:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 17:47:09.239462
• Title: Frequency-Aware Ensemble Learning for BraTS 2025 Pediatric Brain Tumor Segmentation
• Title（参考訳）: BraTS 2025小児脳腫瘍分離のための周波数認識アンサンブル学習
• Authors: Yuxiao Yi, Qingyao Zhuang, Zhi-Qin John Xu,
• Abstract要約: 我々は,BraTS-PED 2025チャレンジに対して,nnU-Net,Swin UNETR,HFF-Netを統合するアンサンブルアプローチを提案する。 提案手法には3つの重要な拡張が組み込まれている: 最適な nnU-Net 複雑性制御のための調整可能なスケール、BraTS 2021 の事前学習モデルからの変換学習、周波数領域の分解である。 最終的なアンサンブルは、nnU-Net、微調整Swin UNETR、HFF-Netを組み合わせ、72.3%(ET)、95.6%(NET)、68.9%(CC)、89.5%(ED)、92.3%(TC)のDiceスコアを得る。
• 参考スコア（独自算出の注目度）: 6.43986301064757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pediatric brain tumor segmentation presents unique challenges due to the rarity and heterogeneity of these malignancies, yet remains critical for clinical diagnosis and treatment planning. We propose an ensemble approach integrating nnU-Net, Swin UNETR, and HFF-Net for the BraTS-PED 2025 challenge. Our method incorporates three key extensions: adjustable initialization scales for optimal nnU-Net complexity control, transfer learning from BraTS 2021 pre-trained models to enhance Swin UNETR's generalization on pediatric dataset, and frequency domain decomposition for HFF-Net to separate low-frequency tissue contours from high-frequency texture details. Our final ensemble combines nnU-Net ($\gamma=0.7$), fine-tuned Swin UNETR, and HFF-Net, achieving Dice scores of 72.3% (ET), 95.6% (NET), 68.9% (CC), 89.5% (ED), 92.3% (TC), and 92.3% (WT), respectively.
• Abstract（参考訳）: 小児脳腫瘍セグメンテーションはこれらの悪性腫瘍の希少性や異質性から特異な課題を呈するが、臨床診断や治療計画には重要な課題である。 我々は,BraTS-PED 2025チャレンジに対して,nnU-Net,Swin UNETR,HFF-Netを統合するアンサンブルアプローチを提案する。 提案手法には, 最適なnnU-Net複雑性制御のための調整可能な初期化尺度, 小児データセットにおけるSwin UNETRの一般化を強化するためのBraTS 2021からの移行学習, 高周波テクスチャの詳細から低周波組織輪郭を分離するためのHFF-Netの周波数領域分解の3つの重要な拡張が含まれている。 我々の最後のアンサンブルは、nnU-Net ($\gamma=0.7$), fine-tuned Swin UNETR, HFF-Netを組み合わせ、それぞれ72.3%(ET), 95.6%(NET), 68.9%(CC), 89.5%(ED), 92.3%(TC), 92.3%(WT)のDiceスコアを得た。

関連論文リスト

• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [1.3149714289117207]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• A Large Convolutional Neural Network for Clinical Target and Multi-organ Segmentation in Gynecologic Brachytherapy with Multi-stage Learning [9.95345958148364]
  本研究では,セグメンテーション性能の向上を目的とした多段階学習フレームワークであるGynBTNetを提案する。 Dice similarity Coefficient (DSC)、95th percentile Hausdorff Distance (HD95)、Average Surface Distance (ASD) を用いた最先端技術の評価を行った。 CTVは0.837+/-0.068、膀胱は0.940+/-0.052、直腸は0.842+/-0.070、子宮は0.871+/-0.047である。
  論文  参考訳（メタデータ） (2025-06-01T16:21:48Z)
• 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)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
  3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。 従来の放射能の特徴のみを含む3つの予後モデルが構築された。 セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
  論文  参考訳（メタデータ） (2022-11-18T10:31:26Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。