論文の概要: Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing

• arxiv url: http://arxiv.org/abs/2510.19109v1
• Date: Tue, 21 Oct 2025 22:11:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.737215
• Title: Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing
• Title（参考訳）: 注意に基づく3次元U-Netアーキテクチャとデジタル画像処理による脳腫瘍分離の促進
• Authors: Eyad Gad, Seif Soliman, M. Saeed Darweesh,
• Abstract要約: 本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。 提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of medical diagnostics, rapid advancements in Artificial Intelligence (AI) have significantly yielded remarkable improvements in brain tumor segmentation. Encoder-Decoder architectures, such as U-Net, have played a transformative role by effectively extracting meaningful representations in 3D brain tumor segmentation from Magnetic resonance imaging (MRI) scans. However, standard U-Net models encounter challenges in accurately delineating tumor regions, especially when dealing with irregular shapes and ambiguous boundaries. Additionally, training robust segmentation models on high-resolution MRI data, such as the BraTS datasets, necessitates high computational resources and often faces challenges associated with class imbalance. This study proposes the integration of the attention mechanism into the 3D U-Net model, enabling the model to capture intricate details and prioritize informative regions during the segmentation process. Additionally, a tumor detection algorithm based on digital image processing techniques is utilized to address the issue of imbalanced training data and mitigate bias. This study aims to enhance the performance of brain tumor segmentation, ultimately improving the reliability of diagnosis. The proposed model is thoroughly evaluated and assessed on the BraTS 2020 dataset using various performance metrics to accomplish this goal. The obtained results indicate that the model outperformed related studies, exhibiting dice of 0.975, specificity of 0.988, and sensitivity of 0.995, indicating the efficacy of the proposed model in improving brain tumor segmentation, offering valuable insights for reliable diagnosis in clinical settings.
• Abstract（参考訳）: 医学診断の分野では、人工知能(AI)の急速な進歩は、脳腫瘍のセグメンテーションにおいて顕著な改善をもたらした。 U-Netのようなエンコーダ・デコーダアーキテクチャは、MRI(MRI)スキャンから3次元脳腫瘍のセグメンテーションにおける意味のある表現を効果的に抽出することで、トランスフォーメーションの役割を担っている。 しかし、標準的なU-Netモデルは、特に不規則な形状やあいまいな境界を扱う場合、腫瘍領域を正確に記述する上で困難に直面する。 さらに、BraTSデータセットのような高解像度MRIデータ上で堅牢なセグメンテーションモデルをトレーニングするには、高い計算資源が必要であり、しばしばクラス不均衡に関連する課題に直面します。 本研究では,3次元U-Netモデルにアテンション機構を組み込むことで,複雑な詳細を把握し,セグメンテーションプロセス中に情報領域を優先順位付けすることができることを提案する。 さらに、デジタル画像処理技術に基づく腫瘍検出アルゴリズムを用いて、不均衡なトレーニングデータの問題に対処し、バイアスを軽減する。 本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。 提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。 その結果,本モデルでは関連研究よりも0.975,0.988の特異性,0.995の感度が優れ,脳腫瘍のセグメンテーション改善におけるモデルの有効性が示唆され,臨床現場における信頼性診断に有用な知見が得られた。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  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捕捉する効率的な3次元分割モデルを提案する。 空間充填曲線を利用して3D-to-1D特徴写像の空間的局所性を保ち、計算コストのかかる多軸特徴走査への依存を減らす。 提案モデルでは,高いセグメンテーション精度を維持しながら効率を15倍に向上させ,既存手法に対する堅牢性と計算上の優位性を強調した。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding [0.0]
  脳腫瘍セグメンテーションの性能と計算効率の両面を最適化するために,新しいマルチスケール・コンボリューショナル・アテンション・デコーダを用いた。 このモデルにより得られた予備結果は、最高のDiceスコア0.31を達成し、トレーニング過程を通して安定した平均Diceスコア0.285プラス/minus0.015を維持した。
  論文  参考訳（メタデータ） (2025-09-05T18:23:47Z)
• 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
  本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。 パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-09-28T12:31:07Z)
• Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
  2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。 我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。 私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
  論文  参考訳（メタデータ） (2024-07-02T12:58:35Z)
• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel Approach Using the BraTS AFRICA Challenge Data [0.0]
  3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。 その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。 これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-14T15:34:22Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• MRI brain tumor segmentation and uncertainty estimation using 3D-UNet architectures [0.0]
  本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。 また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。 この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
  論文  参考訳（メタデータ） (2020-12-30T19:28:53Z)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)

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。