論文の概要: Towards Reliable Pediatric Brain Tumor Segmentation: Task-Specific nnU-Net Enhancements

• arxiv url: http://arxiv.org/abs/2511.00449v1
• Date: Sat, 01 Nov 2025 08:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.782443
• Title: Towards Reliable Pediatric Brain Tumor Segmentation: Task-Specific nnU-Net Enhancements
• Title（参考訳）: 信頼性のある小児脳腫瘍切開に向けて:タスク特異的nnU-Net機能強化
• Authors: Xiaolong Li, Zhi-Qin John Xu, Yan Ren, Tianming Qiu, Xiaowen Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.880771870415616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of pediatric brain tumors in multi-parametric magnetic resonance imaging (mpMRI) is critical for diagnosis, treatment planning, and monitoring, yet faces unique challenges due to limited data, high anatomical variability, and heterogeneous imaging across institutions. In this work, we present an advanced nnU-Net framework tailored for BraTS 2025 Task-6 (PED), the largest public dataset of pre-treatment pediatric high-grade gliomas. Our contributions include: (1) a widened residual encoder with squeeze-and-excitation (SE) attention; (2) 3D depthwise separable convolutions; (3) a specificity-driven regularization term; and (4) small-scale Gaussian weight initialization. We further refine predictions with two postprocessing steps. Our models achieved first place on the Task-6 validation leaderboard, attaining lesion-wise Dice scores of 0.759 (CC), 0.967 (ED), 0.826 (ET), 0.910 (NET), 0.928 (TC) and 0.928 (WT).
• Abstract（参考訳）: 多核磁気共鳴画像(MPMRI)における小児脳腫瘍の正確なセグメンテーションは、診断、治療計画、モニタリングに重要であるが、限られたデータ、高い解剖学的多様性、施設間での異種イメージングなど、ユニークな課題に直面している。 そこで本研究では,小児高次グリオーマの公開データセットとして最大規模のBraTS 2025 Task-6(PED)に適した,高度なnnU-Netフレームワークを提案する。 提案するコントリビューションは,(1)圧縮・励起(SE)注意を拡大した残留エンコーダ,(2)深度的に分離可能な畳み込み,(3)特異性駆動型正規化,(4)小型ガウス重み初期化である。 2つの後処理ステップで予測をさらに洗練する。 私たちのモデルはTask-6バリデーションリーダーボードで第1位を獲得し、病変度は 0.759 (CC), 0.967 (ED), 0.826 (ET), 0.910 (NET), 0.928 (TC), 0.928 (WT) のスコアを得た。

関連論文リスト

• Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-21T22:11:19Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• 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)
• On-the-Fly Data Augmentation for Brain Tumor Segmentation [1.2226213907761816]
  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。
  論文  参考訳（メタデータ） (2025-09-29T16:02:36Z)
• A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI [7.8413564248632825]
  本稿では、診断T1重み付け(Task1)と治療T2重み付け(Task2)の両方に対処するPANTHERチャレンジへの提案について詳述する。 我々のアプローチはnnU-Netフレームワーク上に構築されており、深いマルチステージの事前学習戦略を活用しています。 分析の結果,アグレッシブなデータ拡張によって高いボリューム精度が得られた,重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-08-29T16:50:29Z)
• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)

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。