論文の概要: ReFRM3D: A Radiomics-enhanced Fused Residual Multiparametric 3D Network with Multi-Scale Feature Fusion for Glioma Characterization

• arxiv url: http://arxiv.org/abs/2512.22570v1
• Date: Sat, 27 Dec 2025 12:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.118006
• Title: ReFRM3D: A Radiomics-enhanced Fused Residual Multiparametric 3D Network with Multi-Scale Feature Fusion for Glioma Characterization
• Title（参考訳）: ReFRM3D: グリオーマ評価のためのマルチスケール特徴フュージョンを用いた放射能増強型残留型マルチパラメトリック3次元ネットワーク
• Authors: Md. Abdur Rahman, Mohaimenul Azam Khan Raiaan, Arefin Ittesafun Abian, Yan Zhang, Mirjam Jonkman, Sami Azam,
• Abstract要約: グリオーマは、高い死亡率と複雑な診断過程を特徴とする最も攻撃的ながんの一つである。 グリオーマの診断と分類に関する既存の研究は、画像データの高可変性などの問題をしばしば記述している。 腫瘍のセグメンテーションと分類効率を向上させるために, マルチパラメトリックMRIデータを用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 4.546739588274135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas are among the most aggressive cancers, characterized by high mortality rates and complex diagnostic processes. Existing studies on glioma diagnosis and classification often describe issues such as high variability in imaging data, inadequate optimization of computational resources, and inefficient segmentation and classification of gliomas. To address these challenges, we propose novel techniques utilizing multi-parametric MRI data to enhance tumor segmentation and classification efficiency. Our work introduces the first-ever radiomics-enhanced fused residual multiparametric 3D network (ReFRM3D) for brain tumor characterization, which is based on a 3D U-Net architecture and features multi-scale feature fusion, hybrid upsampling, and an extended residual skip mechanism. Additionally, we propose a multi-feature tumor marker-based classifier that leverages radiomic features extracted from the segmented regions. Experimental results demonstrate significant improvements in segmentation performance across the BraTS2019, BraTS2020, and BraTS2021 datasets, achieving high Dice Similarity Coefficients (DSC) of 94.04%, 92.68%, and 93.64% for whole tumor (WT), enhancing tumor (ET), and tumor core (TC) respectively in BraTS2019; 94.09%, 92.91%, and 93.84% in BraTS2020; and 93.70%, 90.36%, and 92.13% in BraTS2021.
• Abstract（参考訳）: グリオーマは、高い死亡率と複雑な診断過程を特徴とする最も攻撃的ながんの一つである。 グリオーマの診断と分類に関する既存の研究は、画像データの高可変性、計算資源の不十分な最適化、グリオーマの非効率なセグメンテーションと分類などの問題をしばしば記述している。 これらの課題に対処するために,腫瘍のセグメンテーションと分類効率を高めるために,マルチパラメトリックMRIデータを用いた新しい手法を提案する。 本研究は,3次元U-Netアーキテクチャを基盤として,マルチスケール機能融合,ハイブリッドアップサンプリング,拡張残留スキップ機構を特徴とする脳腫瘍評価のための第1回核融合残差多重パラメトリック3Dネットワーク(ReFRM3D)について紹介する。 さらに, この領域から抽出した放射能特性を利用した多機能腫瘍マーカーを用いた分類器を提案する。 実験の結果、BraTS2019、BraTS2020、BraTS2021データセットのセグメンテーション性能は大幅に改善され、BraTS2019では94.04%、92.68%、93.64%の高Dice similarity Coefficients(DSC)が達成され、腫瘍全体(WT)、造影腫瘍(ET)、腫瘍コア(TC)がそれぞれ94.09%、92.91%、93.84%がBraTS2020、93.70%、90.36%、92.13%が達成された。

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)
• 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)
• Glioma Classification using Multi-sequence MRI and Novel Wavelets-based Feature Fusion [0.0]
  グリオーマ (Glioma) はグリオーマ由来の腫瘍であり, WHOの基準により低次グリオーマ (LGG) と高次グリオーマ (HGG) と区別できる。 非侵襲的なグリオーマ評価のために、MRI(MRI)は腫瘍の形態と位置について重要な情報を提供する。 本研究では,マルチシーケンスT1,T1コントラスト拡張(T1CE),T2,Fluid Attenuated Inversion Recovery(FLAIR)MRI画像にウェーブレットを用いた新しい融合アルゴリズムを実装し,放射能特性の計算を行った。
  論文  参考訳（メタデータ） (2025-02-28T04:58:41Z)
• Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
  本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
  論文  参考訳（メタデータ） (2024-12-05T12:00:00Z)
• Brain Tumor Segmentation in MRI Images with 3D U-Net and Contextual Transformer [0.5033155053523042]
  本研究では,3D-UNetモデルとコンテキストトランスフォーマ(CoT)を併用したMRIにおける脳腫瘍の正確なセグメンテーションのための改良手法を提案する。 提案モデルでは,CoTから腫瘍の質量特性を同期させ,特徴抽出を相互に強化し,詳細な腫瘍の質量構造を正確に把握する。 いくつかの実験結果から,提案手法の優れた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） (2024-07-11T13:04:20Z)
• 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)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• 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)
• Feature-enhanced Generation and Multi-modality Fusion based Deep Neural Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
  主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。 今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。 提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
  論文  参考訳（メタデータ） (2021-11-08T10:59:40Z)

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。