論文の概要: Efficient Meningioma Tumor Segmentation Using Ensemble Learning

• arxiv url: http://arxiv.org/abs/2510.21040v1
• Date: Thu, 23 Oct 2025 22:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.336943
• Title: Efficient Meningioma Tumor Segmentation Using Ensemble Learning
• Title（参考訳）: Ensemble Learning を用いた高能率髄膜腫の1例
• Authors: Mohammad Mahdi Danesh Pajouh, Sara Saeedi,
• Abstract要約: 髄膜腫は原発性脳腫瘍の最も多い形態であり、すべての診断症例の3分の1近くを占める。 近年のディープラーニングの進歩は, 自動腫瘍分割の進展を加速させている。 本稿では,3つの異なるアーキテクチャを組み合わせたアンサンブルに基づくセグメンテーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Meningiomas represent the most prevalent form of primary brain tumors, comprising nearly one-third of all diagnosed cases. Accurate delineation of these tumors from MRI scans is crucial for guiding treatment strategies, yet remains a challenging and time-consuming task in clinical practice. Recent developments in deep learning have accelerated progress in automated tumor segmentation; however, many advanced techniques are hindered by heavy computational demands and long training schedules, making them less accessible for researchers and clinicians working with limited hardware. In this work, we propose a novel ensemble-based segmentation approach that combines three distinct architectures: (1) a baseline SegResNet model, (2) an attention-augmented SegResNet with concatenative skip connections, and (3) a dual-decoder U-Net enhanced with attention-gated skip connections (DDUNet). The ensemble aims to leverage architectural diversity to improve robustness and accuracy while significantly reducing training demands. Each baseline model was trained for only 20 epochs and Evaluated on the BraTS-MEN 2025 dataset. The proposed ensemble model achieved competitive performance, with average Lesion-Wise Dice scores of 77.30%, 76.37% and 73.9% on test dataset for Enhancing Tumor (ET), Tumor Core (TC) and Whole Tumor (WT) respectively. These results highlight the effectiveness of ensemble learning for brain tumor segmentation, even under limited hardware constraints. Our proposed method provides a practical and accessible tool for aiding the diagnosis of meningioma, with potential impact in both clinical and research settings.
• Abstract（参考訳）: 髄膜腫は原発性脳腫瘍の最も多い形態であり、すべての診断症例の3分の1近くを占める。 MRIスキャンによる腫瘍の正確な非直線化は治療戦略の導出に不可欠であるが、臨床実践における課題であり、時間を要する課題である。 近年の深層学習の進歩は、自動腫瘍セグメンテーションの進歩を加速させているが、多くの高度な技術は、大量の計算要求と長い訓練スケジュールによって妨げられているため、限られたハードウェアを扱う研究者や臨床医にはアクセスし難い。 本研究では,(1)ベースラインSegResNetモデル,(2)注目強化SegResNet,(3)注目強調スキップ接続(DDUNet)を備えたデュアルデコーダU-Netの3つの異なるアーキテクチャを組み合わせた,アンサンブルベースのセグメンテーション手法を提案する。 このアンサンブルは、アーキテクチャの多様性を活用して、堅牢性と正確性を向上し、トレーニング要求を大幅に削減することを目的としている。 各ベースラインモデルは20エポックでトレーニングされ、BraTS-MEN 2025データセットに基づいて評価された。 提案されたアンサンブルモデルでは、平均Lesion-Wise Diceスコアは77.30%、76.37%、73.9%で、それぞれEnhancing tumor (ET)、Torma Core (TC)、Whole tumor (WT) の試験データセットが得られた。 これらの結果は,限られたハードウェア制約下であっても,脳腫瘍分節に対するアンサンブル学習の有効性を強調した。 本手法は髄膜腫の診断を支援するための実用的で手軽なツールであり,臨床および研究の両方に潜在的に影響を及ぼす可能性がある。

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)
• 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)
• Efficient Brain Tumor Segmentation Using a Dual-Decoder 3D U-Net with Attention Gates (DDUNet) [0.0]
  がんは世界中で死亡する主要な原因の1つであり、その多くの形態の中で、脳腫瘍は特に悪名高い。 人工知能の最近の進歩は、正確な腫瘍分割を行う医療専門家を支援することに大きな期待を示している。 本稿では,MRI スキャンによる脳腫瘍の分節化に特化して設計された,アテンションゲート型スキップ接続により拡張された新しいデュアルデコーダ U-Net アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-14T22:45:33Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• 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)
• 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)
• 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)
• 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)
• Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
  そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。 提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-19T07:42:10Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。