論文の概要: How We Won BraTS-SSA 2025: Brain Tumor Segmentation in the Sub-Saharan African Population Using Segmentation-Aware Data Augmentation and Model Ensembling

• arxiv url: http://arxiv.org/abs/2510.03568v2
• Date: Thu, 09 Oct 2025 06:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 12:56:53.542784
• Title: How We Won BraTS-SSA 2025: Brain Tumor Segmentation in the Sub-Saharan African Population Using Segmentation-Aware Data Augmentation and Model Ensembling
• Title（参考訳）: BraTS-SSA 2025:Segmentation-Aware Data Augmentation and Model Ensembling を用いたサブサハラアフリカにおける脳腫瘍の分離
• Authors: Claudia Takyi Ankomah, Livingstone Eli Ayivor, Ireneaus Nyame, Leslie Wambo, Patrick Yeboah Bonsu, Aondona Moses Iorumbur, Raymond Confidence, Toufiq Musah,
• Abstract要約: 脳腫瘍、特にグリオーマは、複雑な成長パターン、浸潤性の性質、個体間の脳構造の変化により、著しい黄斑を呈する。 本研究では,BraTS-Africaデータセット上でセグメント化を意識したオフラインデータ拡張を行い,データサンプルのサイズと多様性を高め,一般化を向上した。 最も優れたモデルであるMedNeXtは1000エポックで訓練され,それぞれ0.86点,0.81点の正常化面距離スコアを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumors, particularly gliomas, pose significant chall-enges due to their complex growth patterns, infiltrative nature, and the variability in brain structure across individuals, which makes accurate diagnosis and monitoring difficult. Deep learning models have been developed to accurately delineate these tumors. However, most of these models were trained on relatively homogenous high-resource datasets, limiting their robustness when deployed in underserved regions. In this study, we performed segmentation-aware offline data augmentation on the BraTS-Africa dataset to increase the data sample size and diversity to enhance generalization. We further constructed an ensemble of three distinct architectures, MedNeXt, SegMamba, and Residual-Encoder U-Net, to leverage their complementary strengths. Our best-performing model, MedNeXt, was trained on 1000 epochs and achieved the highest average lesion-wise dice and normalized surface distance scores of 0.86 and 0.81 respectively. However, the ensemble model trained for 500 epochs produced the most balanced segmentation performance across the tumour subregions. This work demonstrates that a combination of advanced augmentation and model ensembling can improve segmentation accuracy and robustness on diverse and underrepresented datasets. Code available at: https://github.com/SPARK-Academy-2025/SPARK-2025/tree/main/SPARK2025_BraTs_MODELS/SPARK_NeuroAshanti
• Abstract（参考訳）: 脳腫瘍、特にグリオーマは、複雑な成長パターン、浸潤性の性質、個体間での脳構造の変化により大きな黄斑を生じ、正確な診断とモニタリングを困難にしている。 深層学習モデルはこれらの腫瘍を正確に記述するために開発されている。 しかしながら、これらのモデルのほとんどは比較的均質な高リソースデータセットでトレーニングされており、保存されていない地域にデプロイする際のロバスト性を制限している。 本研究では,BraTS-Africaデータセット上でセグメント化対応のオフラインデータ拡張を行い,データサンプルのサイズと多様性を高め,一般化を向上した。 我々はさらに、3つの異なるアーキテクチャ、MedNeXt、SegMamba、Residual-Encoder U-Netのアンサンブルを構築した。 最も優れたモデルであるMedNeXtは1000エポックで訓練され,それぞれ0.86点,0.81点の正常化面距離スコアを達成した。 しかし,500エポックで訓練されたアンサンブルモデルが最もバランスの取れたセグメンテーション性能を示した。 この研究は、高度な拡張とモデルエンハンブルを組み合わせることで、多種多様な表現されていないデータセットのセグメンテーション精度とロバスト性を向上させることを実証している。 https://github.com/SPARK-Academy-2025/SPARK-2025/tree/main/SPARK2025_BraTs_MODELS/SPARK_NeuroAshanti

関連論文リスト

• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  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。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• 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)
• Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics [0.6820272276959313]
  本研究は,MedNeXtを用いたBraTS-2024 SSAおよび小児腫瘍のセグメンテーション法について述べる。 提案手法は,BraTS-2024 SSAデータセットでは平均Dice similarity Coefficient(DSC)が0.896,BraTS小児腫瘍データセットでは平均DSCが0.830であった。
  論文  参考訳（メタデータ） (2024-11-24T15:19:19Z)
• On Evaluating Adversarial Robustness of Volumetric Medical Segmentation Models [59.45628259925441]
  体積医学セグメンテーションモデルは、臓器および腫瘍ベースのセグメンテーションタスクにおいて大きな成功を収めた。 敵の攻撃に対するその脆弱性はほとんど解明されていない。 このことは、既存のモデルの堅牢性を調べることの重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-06-12T17:59:42Z)
• 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)
• Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs [2.946960157989204]
  この研究は、摂動下での冗長性を最小化するネットワークトレーニングプロセスの修正である。 腫瘍コア, 腫瘍コア, 全腫瘍に対して, 0.8600, 0.8868, 0.9265平均ダイスを得た。 私たちのチーム(NVAUTO)の応募は、ETとTCのスコアで上位10チーム、WTのスコアで上位10チームだった。
  論文  参考訳（メタデータ） (2021-11-01T07:39:06Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。