論文の概要: Attention-gated U-Net model for semantic segmentation of brain tumors and feature extraction for survival prognosis

• arxiv url: http://arxiv.org/abs/2602.15067v1
• Date: Sat, 14 Feb 2026 07:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.844774
• Title: Attention-gated U-Net model for semantic segmentation of brain tumors and feature extraction for survival prognosis
• Title（参考訳）: 脳腫瘍のセマンティックセグメンテーションと生存予後のための特徴抽出のための注意誘導型U-Netモデル
• Authors: Rut Pate, Snehal Rajput, Mehul S. Raval, Rupal A. Kapdi, Mohendra Roy,
• Abstract要約: グリオーマは、最も一般的な原発性脳腫瘍の1つで、攻撃性、予後、組織学的に大きく異なる。 本研究では,脳腫瘍のセグメンテーションを改善するために,R2U-NetをベースとしたTriplanar(2.5D)モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas, among the most common primary brain tumors, vary widely in aggressiveness, prognosis, and histology, making treatment challenging due to complex and time-intensive surgical interventions. This study presents an Attention-Gated Recurrent Residual U-Net (R2U-Net) based Triplanar (2.5D) model for improved brain tumor segmentation. The proposed model enhances feature representation and segmentation accuracy by integrating residual, recurrent, and triplanar architectures while maintaining computational efficiency, potentially aiding in better treatment planning. The proposed method achieves a Dice Similarity Score (DSC) of 0.900 for Whole Tumor (WT) segmentation on the BraTS2021 validation set, demonstrating performance comparable to leading models. Additionally, the triplanar network extracts 64 features per planar model for survival days prediction, which are reduced to 28 using an Artificial Neural Network (ANN). This approach achieves an accuracy of 45.71%, a Mean Squared Error (MSE) of 108,318.128, and a Spearman Rank Correlation Coefficient (SRC) of 0.338 on the test dataset.
• Abstract（参考訳）: グリオーマは、最も一般的な原発性脳腫瘍の中でも、攻撃性、予後、組織学的に大きく異なり、複雑で時間を要する外科的介入により治療が困難になる。 本研究では,脳腫瘍のセグメンテーションを改善するために,R2U-NetをベースとしたTriplanar(2.5D)モデルを提案する。 提案モデルでは,残差,再帰,三層構造の統合による特徴表現とセグメンテーションの精度の向上を図り,計算効率を向上し,処理計画の改善に寄与する可能性が示唆された。 提案手法はBraTS2021検証セット上の全腫瘍(WT)セグメンテーションに対して0.900のDice similarity Score(DSC)を実現し,先行モデルに匹敵する性能を示す。 さらに、三面体ネットワークは、生存日予測のための平面モデル毎に64の特徴を抽出し、人工ニューラルネットワーク(ANN)を使用して28に削減する。 このアプローチは45.71%の精度、平均正方形誤差(MSE)は108,318.128、スピアマンランク相関係数(SRC)は0.338である。

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)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• UPMAD-Net: A Brain Tumor Segmentation Network with Uncertainty Guidance and Adaptive Multimodal Feature Fusion [5.182916707460288]
  本稿では,深層学習と領域成長アルゴリズムから得られた事前知識を組み合わせた脳腫瘍分割法を提案する。 本研究では,U-Netアーキテクチャに基づく新しい3次元脳腫瘍セグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2025-05-06T12:56:04Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset [0.0]
  そこで本研究では,BraTS 2019データセットを用いた脳腫瘍セグメンテーションのためのColumbia-University-Netアーキテクチャの新たな実装を提案する。 CU-Netモデルは対称なU字型構造を持ち、畳み込み層、最大プーリング、アップサンプリング演算を用いて高分解能セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-06-19T00:01:01Z)
• propnet: Propagating 2D Annotation to 3D Segmentation for Gastric Tumors on CT Scans [16.135854257728337]
  本研究は,3次元腫瘍セグメンテーションの課題に対処するために,人間の誘導した知識とユニークなモジュールを利用したモデルを提案する。 98件の患者スキャンと30件のバリデーションを行い,手作業によるアノテーション(約0.803)との相当な一致を実現し,効率を向上する。
  論文  参考訳（メタデータ） (2023-05-29T03:24:02Z)
• 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。