Fugu-MT 論文翻訳(概要): On-the-Fly Data Augmentation for Brain Tumor Segmentation

論文の概要: On-the-Fly Data Augmentation for Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2509.24973v1
Date: Mon, 29 Sep 2025 16:02:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 22:32:20.113764
Title: On-the-Fly Data Augmentation for Brain Tumor Segmentation
Title（参考訳）: 脳腫瘍分離のためのオンザフライデータ拡張
Authors: Ishika Jain, Siri Willems, Steven Latre, Tom De Schepper,
Abstract要約: トレーニング中にGliGAN(Pretrained Generative Adversarial Network)を用いて合成腫瘍を動的に挿入するオンザフライ拡張戦略を提案する。 3つのモデルのアンサンブルは、オンラインBraTS 2025プラットフォーム上のDiceスコアが 0.79 (ET), 0.749 (NETC), 0.872 (RC), 0.825 (SN), 0.79 (TC), 0.88 (WT) となる。
参考スコア（独自算出の注目度）: 1.2226213907761816
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robust segmentation across both pre-treatment and post-treatment glioma scans can be helpful for consistent tumor monitoring and treatment planning. BraTS 2025 Task 1 addresses this by challenging models to generalize across varying tumor appearances throughout the treatment timeline. However, training such generalized models requires access to diverse, high-quality annotated data, which is often limited. While data augmentation can alleviate this, storing large volumes of augmented 3D data is computationally expensive. To address these challenges, we propose an on-the-fly augmentation strategy that dynamically inserts synthetic tumors using pretrained generative adversarial networks (GliGANs) during training. We evaluate three nnU-Net-based models and their ensembles: (1) a baseline without external augmentation, (2) a regular on-the-fly augmented model, and (3) a model with customized on-the-fly augmentation. Built upon the nnU-Net framework, our pipeline leverages pretrained GliGAN weights and tumor insertion methods from prior challenge-winning solutions. An ensemble of the three models achieves lesion-wise Dice scores of 0.79 (ET), 0.749 (NETC), 0.872 (RC), 0.825 (SNFH), 0.79 (TC), and 0.88 (WT) on the online BraTS 2025 validation platform. This work ranked first in the BraTS Lighthouse Challenge 2025 Task 1- Adult Glioma Segmentation.
Abstract（参考訳）: 前処置と治療後のグリオーマスキャンの両方にわたるロバストセグメンテーションは、一貫した腫瘍モニタリングと治療計画に有用である。 BraTS 2025 Task 1は、治療スケジュールを通して様々な腫瘍の出現を一般化する挑戦的なモデルによって、この問題に対処する。しかし、そのような一般化されたモデルのトレーニングは、しばしば制限される多様な高品質な注釈付きデータへのアクセスを必要とする。データ拡張は、これを緩和できるが、大量の強化された3Dデータの保存は、計算コストがかかる。これらの課題に対処するために、トレーニング中にGliGAN(Pretrained Generative Adversarial Network)を用いた合成腫瘍を動的に挿入するオンザフライ増強戦略を提案する。 1)外部拡張のないベースライン,(2)通常のオンザフライ拡張モデル,(3)オンザフライ拡張をカスタマイズしたモデル。我々のパイプラインは,nU-Netフレームワークを基盤として,事前学習したGliGANの重量と腫瘍挿入法を活用している。 3つのモデルのアンサンブルは、オンラインBraTS 2025バリデーションプラットフォーム上でのDiceスコアが 0.79 (ET), 0.749 (NETC), 0.872 (RC), 0.825 (SNFH), 0.79 (TC), 0.88 (WT) となる。この作品は、BraTS Lighthouse Challenge 2025 Task 1- adult Glioma Segmentationで第1位にランクインした。

関連論文リスト

Towards Reliable Pediatric Brain Tumor Segmentation: Task-Specific nnU-Net Enhancements [13.880771870415616]
治療前の高次グリオーマのデータセットとして最大であるBraTS 2025 Task-6 (PED) に特化した nnU-Net フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-01T08:33:21Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。最先端の微調整戦略を一貫して上回ります。
論文参考訳（メタデータ） (2025-09-07T15:22:53Z)
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)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation [2.063757582116522]
ディープラーニングは、脳腫瘍をセグメント化するための最先端技術である。大量の高品質なデータが必要ですが、入手は困難です。我々は、データ拡張に非従来的なメカニズムを用いることで、この問題に対処する。
論文参考訳（メタデータ） (2024-02-27T08:49:30Z)
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)
Image-level supervision and self-training for transformer-based cross-modality tumor segmentation [2.29206349318258]
そこで本研究では,MoDATTSと呼ばれる半教師付きトレーニング戦略を提案する。 MoDATTSは、未実装のバイモーダルデータセット上の正確な3D腫瘍セグメンテーションのために設計されている。この最大性能の99%と100%は、目標データの20%と50%が注釈付きであれば達成できると報告している。
論文参考訳（メタデータ） (2023-09-17T11:50:12Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文参考訳（メタデータ） (2022-04-22T17:27:00Z)
Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。