論文の概要: Enhancing Neuro-Oncology Through Self-Assessing Deep Learning Models for Brain Tumor Unified Model for MRI Segmentation

• arxiv url: http://arxiv.org/abs/2511.12801v1
• Date: Sun, 16 Nov 2025 22:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.550333
• Title: Enhancing Neuro-Oncology Through Self-Assessing Deep Learning Models for Brain Tumor Unified Model for MRI Segmentation
• Title（参考訳）: MRIセグメント化のための脳腫瘍統一モデルのための自己評価深層学習モデルによる神経腫瘍学の強化
• Authors: Andrew Zhou,
• Abstract要約: 深層学習はベンチマークで進歩しているが、2つの問題は臨床的使用を制限する。 本研究は, ボクセルワイド不確実性に対するチャネルを持つnnUNetを増大させる不確実性を考慮したフレームワークを提案する。 脳全体のコンテキストでは、統一されたモデルが正常なデータセットとがんのデータセットを組み合わせて、脳構造のためのDSCが0.81、腫瘍のための0.86、堅牢なキー領域のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 1.3909388235627789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of brain tumors is vital for diagnosis, surgical planning, and treatment monitoring. Deep learning has advanced on benchmarks, but two issues limit clinical use: no uncertainty estimates for errors and no segmentation of healthy brain structures around tumors for surgery. Current methods fail to unify tumor localization with anatomical context and lack confidence scores. This study presents an uncertainty-aware framework augmenting nnUNet with a channel for voxel-wise uncertainty. Trained on BraTS2023, it yields a correlation of 0.750 and RMSD of 0.047 for uncertainty without hurting tumor accuracy. It predicts uncertainty in one pass, with no extra networks or inferences, aiding clinical decisions. For whole-brain context, a unified model combines normal and cancer datasets, achieving a DSC of 0.81 for brain structures and 0.86 for tumor, with robust key-region performance. Combining both innovations gives the first model outputting tumor in natural surroundings plus an overlaid uncertainty map. Visual checks of outputs show uncertainty offers key insights to evaluate predictions and fix errors, helping informed surgical decisions from AI.
• Abstract（参考訳）: 脳腫瘍の正確なセグメンテーションは、診断、手術計画、治療監視に不可欠である。 深層学習はベンチマークで進歩しているが、2つの問題は臨床的使用を制限する。 現在の方法では、腫瘍の局在を解剖学的文脈と統一することができず、信頼スコアが欠如している。 本研究は, ボクセルワイド不確実性に対するチャネルを持つnnUNetを増大させる不確実性を考慮したフレームワークを提案する。 BraTS2023で訓練され、腫瘍の精度を損なうことなく0.047の相関が0.750とRMSDとなる。 1回のパスで不確実性を予測し、追加のネットワークや推論がなく、臨床的な決定を支援する。 脳全体のコンテキストでは、統一されたモデルが正常なデータセットとがんのデータセットを組み合わせて、脳構造のためのDSCが0.81、腫瘍のための0.86、堅牢なキー領域のパフォーマンスを達成している。 両方のイノベーションを組み合わせることで、腫瘍を自然環境に放出する最初のモデルと、オーバーレイドの不確実性マップが得られる。 アウトプットの視覚的チェックは、予測を評価し、エラーを修正するための重要な洞察を提供するとともに、AIによる外科的決定のインフォメーションを支援する。

関連論文リスト

• 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)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
  脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。 医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。 本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。 ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
  論文  参考訳（メタデータ） (2023-12-31T20:42:52Z)
• 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)
• A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
  脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。 脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。 ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-16T14:06:45Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• 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)

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。