Fugu-MT 論文翻訳(概要): A Fast and Precise Method for Searching Rectangular Tumor Regions in Brain MR Images

論文の概要: A Fast and Precise Method for Searching Rectangular Tumor Regions in Brain MR Images

arxiv url: http://arxiv.org/abs/2510.00505v1
Date: Wed, 01 Oct 2025 04:35:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 14:32:17.1934
Title: A Fast and Precise Method for Searching Rectangular Tumor Regions in Brain MR Images
Title（参考訳）: 脳MR画像における矩形腫瘍領域の高速かつ高精度探索法
Authors: Hidenori Takeshima, Shuki Maruyama,
Abstract要約: 提案手法はセグメンテーションネットワークとユーザ制御可能なサーチメトリックを用いた高速サーチ手法からなる。 3次元フルサーチを用いた場合,提案手法は従来の手法よりも100～500倍高速であった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Purpose: To develop a fast and precise method for searching rectangular regions in brain tumor images. Methods: The authors propose a new method for searching rectangular tumor regions in brain MR images. The proposed method consisted of a segmentation network and a fast search method with a user-controllable search metric. As the segmentation network, the U-Net whose encoder was replaced by the EfficientNet was used. In the fast search method, summed-area tables were used for accelerating sums of voxels in rectangular regions. Use of the summed-area tables enabled exhaustive search of the 3D offset (3D full search). The search metric was designed for giving priority to cubes over oblongs, and assigning better values for higher tumor fractions even if they exceeded target tumor fractions. The proposed computation and metric were compared with those used in a conventional method using the Brain Tumor Image Segmentation dataset. Results: When the 3D full search was used, the proposed computation (8 seconds) was 100-500 times faster than the conventional computation (11-40 minutes). When the user-controllable parts of the search metrics were changed variously, the tumor fractions of the proposed metric were higher than those of the conventional metric. In addition, the conventional metric preferred oblongs whereas the proposed metric preferred cubes. Conclusion: The proposed method is promising for implementing fast and precise search of rectangular tumor regions, which is useful for brain tumor diagnosis using MRI systems. The proposed computation reduced processing times of the 3D full search, and the proposed metric improved the quality of the assigned rectangular tumor regions.
Abstract（参考訳）: 目的:脳腫瘍画像の長方形領域を高速かつ高精度に探索する方法を開発すること。方法: 脳MR画像中の長方形の腫瘍領域を探索する手法を提案する。提案手法はセグメンテーションネットワークとユーザ制御可能なサーチメトリックを用いた高速サーチ手法からなる。セグメンテーションネットワークとして、エンコーダがEfficientNetに置き換えられたU-Netが使われた。高速探索法では,長方形領域におけるボクセルの総和を高速化するために,合計面積表を用いた。合計面積表の使用により、3Dオフセット(3Dフルサーチ)の徹底的な探索が可能となった。検索基準は、オブロングよりも立方体を優先し、ターゲットの腫瘍分数を超えた場合でも、より高い腫瘍分数に対してより良い値を与えるように設計された。提案手法は,脳腫瘍画像分割データセットを用いた従来手法と比較した。結果: 3次元フルサーチを用いた場合,提案した計算(8秒)は従来の計算(11～40分)よりも100～500倍高速であった。検索指標のユーザ制御可能な部分が様々に変化すると,提案指標の腫瘍率も従来の指標よりも高かった。さらに、従来の計量は長方形を好んだが、提案された計量は立方形を好んだ。結論: 提案手法は,MRIを用いた脳腫瘍診断に有用である長方形腫瘍領域の迅速かつ正確な探索を実現することを約束する。提案手法は, 3次元フルサーチの処理時間を短縮し, 提案手法により, 割り当てられた矩形腫瘍領域の品質が向上した。

関連論文リスト

Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文参考訳（メタデータ） (2024-05-23T04:33:12Z)
Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images [4.3310896118860445]
本稿では,脳腫瘍セグメンテーションのためのU-Netの軽量実装を提案する。提案アーキテクチャでは,提案する軽量U-Netをトレーニングするために大量のデータを必要としない。軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、平均交叉対合同(IoU)は89%に達する。
論文参考訳（メタデータ） (2022-11-03T15:19:58Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。提案手法の性能を2073個のMRI画像で検証する実験を行った。性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
論文参考訳（メタデータ） (2022-06-08T14:29:06Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
論文参考訳（メタデータ） (2020-12-22T23:16:43Z)
Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文参考訳（メタデータ） (2020-12-07T09:27:16Z)
Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文参考訳（メタデータ） (2020-02-26T14:10:40Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。