論文の概要: Training Beyond Convergence: Grokking nnU-Net for Glioma Segmentation in Sub-Saharan MRI

• arxiv url: http://arxiv.org/abs/2601.22637v1
• Date: Fri, 30 Jan 2026 06:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.282965
• Title: Training Beyond Convergence: Grokking nnU-Net for Glioma Segmentation in Sub-Saharan MRI
• Title（参考訳）: コンバージェンスを超えたトレーニング:サブサハラMRIにおけるグリオーマセグメンテーションのための nnU-Net のグロキング
• Authors: Mohtady Barakat, Omar Salah, Ahmed Yasser, Mostafa Ahmed, Zahirul Arief, Waleed Khan, Dong Zhang, Aondona Iorumbur, Confidence Raymond, Mohannad Barakat, Noha Magdy,
• Abstract要約: グリオーマはサハラ以南のアフリカ(SSA)にますます臨床負担をかけている この地域では、患者の平均生存率は2年未満であり、診断画像へのアクセスは極めて限られている。 脳腫瘍 (BraTS) Africa 2025 Challenge データセットはグリオーマMRIの注釈付き専門的コレクションである。
• 参考スコア（独自算出の注目度）: 4.495887610902666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas are placing an increasingly clinical burden on Sub-Saharan Africa (SSA). In the region, the median survival for patients remains under two years, and access to diagnostic imaging is extremely limited. These constraints highlight an urgent need for automated tools that can extract the maximum possible information from each available scan, tools that are specifically trained on local data, rather than adapted from high-income settings where conditions are vastly different. We utilize the Brain Tumor Segmentation (BraTS) Africa 2025 Challenge dataset, an expert annotated collection of glioma MRIs. Our objectives are: (i) establish a strong baseline with nnUNet on this dataset, and (ii) explore whether the celebrated "grokking" phenomenon an abrupt, late training jump from memorization to superior generalization can be triggered to push performance without extra labels. We evaluate two training regimes. The first is a fast, budget-conscious approach that limits optimization to just a few epochs, reflecting the constrained GPU resources typically available in African institutions. Despite this limitation, nnUNet achieves strong Dice scores: 92.3% for whole tumor (WH), 86.6% for tumor core (TC), and 86.3% for enhancing tumor (ET). The second regime extends training well beyond the point of convergence, aiming to trigger a grokking-driven performance leap. With this approach, we were able to achieve grokking and enhanced our results to higher Dice scores: 92.2% for whole tumor (WH), 90.1% for tumor core (TC), and 90.2% for enhancing tumor (ET).
• Abstract（参考訳）: グリオーマはサハラ以南のアフリカ(SSA)にますます臨床負担をかけている。 この地域では、患者の平均生存率は2年未満であり、診断画像へのアクセスは極めて限られている。 これらの制約は、各利用可能なスキャンから可能な限り可能な限りの情報を抽出できる自動化ツール、特にローカルデータでトレーニングされたツール、条件が大幅に異なる高所得環境に適応するよりも、緊急に必要であることを示している。 脳腫瘍分離(BraTS)アフリカ2025チャレンジデータセットを利用する。 目的は以下の通り。 (i)このデータセット上でnnUNetと強力なベースラインを確立し、 (二)特典を伴わずに演奏を推し進めるために、目覚ましから優れた一般化への急激な遅発訓練が引き起こされるかどうかを探る。 私たちは2つのトレーニング体制を評価します。 ひとつは、最適化をほんの少しのエポックに制限する、高速で予算重視のアプローチで、アフリカの機関で一般的に利用できる制限されたGPUリソースを反映している。 この制限にもかかわらず、nnUNetのDiceスコアは92.3%が全腫瘍(WH)、86.6%が腫瘍コア(TC)、86.3%が腫瘍(ET)である。 第2の体制は、グラッキング駆動のパフォーマンスの飛躍を誘発することを目的として、収束点をはるかに越えたトレーニングを継続する。 以上より,全腫瘍 (WH) は92.2%, 腫瘍コア (TC) は90.1%, 造影剤 (ET) は90.2%であった。

関連論文リスト

• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• 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)
• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• 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)
• Transferring Knowledge from High-Quality to Low-Quality MRI for Adult Glioma Diagnosis [19.217710134003017]
  本稿では,SSAアダルトグリオーマにおけるBraTS Challengeについて述べる。 我々は、BraTS-GLI 2021の勝利ソリューションからモデルを採用し、3つのトレーニング戦略で活用する。 結果は、BraTS-GLI 2021データセットの初期トレーニングに続いて、BraTS-Africaデータセットの微調整が最高の結果となったことを示している。
  論文  参考訳（メタデータ） (2024-10-24T12:48:12Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric MRI [0.0]
  本稿では,術前の mpMRI におけるグリオーマの自動認識のための,DeepSeg と nnU-Net という2つのディープラーニングフレームワークのアグリゲーションを提案する。 本手法では, 腫瘍, 腫瘍コア, 全腫瘍領域のDice類似度スコアが92.00, 87.33, 84.10, Hausdorff Distances 3.81, 8.91, 16.02を得た。
  論文  参考訳（メタデータ） (2021-12-13T10:51:20Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。