論文の概要: Traumatic Brain Injury Segmentation using an Ensemble of Encoder-decoder Models

• arxiv url: http://arxiv.org/abs/2509.24684v1
• Date: Mon, 29 Sep 2025 12:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.96931
• Title: Traumatic Brain Injury Segmentation using an Ensemble of Encoder-decoder Models
• Title（参考訳）: エンコーダ・デコーダモデルを用いた外傷性脳損傷分類
• Authors: Ghanshyam Dhamat, Vaanathi Sundaresan,
• Abstract要約: TBI病変の同定とセグメンテーションは、神経イメージングにおいて重要な課題である。 本研究の目的は、T1強調MRIにおけるTBI病変を自動的に検出・分節する自動パイプラインを開発することである。
• 参考スコア（独自算出の注目度）: 0.8886706641070187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The identification and segmentation of moderate-severe traumatic brain injury (TBI) lesions pose a significant challenge in neuroimaging. This difficulty arises from the extreme heterogeneity of these lesions, which vary in size, number, and laterality, thereby complicating downstream image processing tasks such as image registration and brain parcellation, reducing the analytical accuracy. Thus, developing methods for highly accurate segmentation of TBI lesions is essential for reliable neuroimaging analysis. This study aims to develop an effective automated segmentation pipeline to automatically detect and segment TBI lesions in T1-weighted MRI scans. We evaluate multiple approaches to achieve accurate segmentation of the TBI lesions. The core of our pipeline leverages various architectures within the nnUNet framework for initial segmentation, complemented by post-processing strategies to enhance evaluation metrics. Our final submission to the challenge achieved an accuracy of 0.8451, Dice score values of 0.4711 and 0.8514 for images with and without visible lesions, respectively, with an overall Dice score of 0.5973, ranking among the top-6 methods in the AIMS-TBI 2025 challenge. The Python implementation of our pipeline is publicly available.
• Abstract（参考訳）: 中程度の外傷性脳損傷(TBI)の特定と分節は、神経イメージングにおいて重要な課題である。 この困難は、画像の登録や脳のパーセレーションといった下流の画像処理タスクを複雑にし、解析精度を低下させる。 したがって、信頼性の高い神経画像解析には、TBI病変の高精度セグメンテーション法の開発が不可欠である。 本研究の目的は、T1強調MRIにおけるTBI病変を自動的に検出・分節する効果的な自動分節パイプラインを開発することである。 我々は,TBI病変の正確なセグメンテーションを実現するために,複数のアプローチを評価した。 パイプラインのコアは、評価指標を強化するための後処理戦略によって補完される初期セグメンテーションのために、nnUNetフレームワーク内のさまざまなアーキテクチャを活用しています。 AIMS-TBI 2025チャレンジでは,Diceスコアが0.8451,Diceスコアが0.4711,Diceスコアが0.8514,Diceスコアが0.5973,AIMS-TBI 2025が上位6メソッドにランクインした。 パイプラインのPython実装が公開されています。

関連論文リスト

• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  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。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• Benchmark of Segmentation Techniques for Pelvic Fracture in CT and X-ray: Summary of the PENGWIN 2024 Challenge [20.058385954540082]
  PENGWINは自動破折セグメンテーションを推し進めることを目的としていた。 トップパフォーマンスCTアルゴリズムは、平均的なフラグメントワイド結合(IoU)を0.930で達成し、良好な精度を示した。 最も優れたアルゴリズムは0.774のIoUに達し、解剖学的構造が重なり合うことによって生じる大きな課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-03T08:19:36Z)
• DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images [8.359851428921386]
  本稿では,階層型U字型エンコーダデコーダ,残差ブロック,アテンション機構,ASPPモジュールを統合した逆学習に基づく動的アーキテクチャ調整手法を提案する。 実験の結果、Dice係数は0.5602の0.6802、IoU、リコールは0.766、精度は0.6525、精度は0.9955であることが示され、眼底出血セグメンテーションの課題に効果的に対処した。
  論文  参考訳（メタデータ） (2025-02-13T12:11:58Z)
• FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.507779218329283]
  網膜血管の分節は独特の課題を呈する。 最近のニューラルネットワークアプローチは、ローカルとグローバルプロパティのバランスをとるのに苦労している。 エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく包括的マイクロ容器抽出機構を提案する。
  論文  参考訳（メタデータ） (2023-11-14T10:32:17Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。