論文の概要: Topology-Driven Fusion of nnU-Net and MedNeXt for Accurate Brain Tumor Segmentation on Sub-Saharan Africa Dataset

• arxiv url: http://arxiv.org/abs/2604.15964v1
• Date: Fri, 17 Apr 2026 11:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.896215
• Title: Topology-Driven Fusion of nnU-Net and MedNeXt for Accurate Brain Tumor Segmentation on Sub-Saharan Africa Dataset
• Title（参考訳）: サハラ以南のアフリカデータセット上での正確な脳腫瘍切片形成のための nnU-Net と MedNeXt のトポロジー駆動核融合
• Authors: Prabin Bohara, Pralhad Kumar Shrestha, Arpan Rai, Usha Poudel Lamgade, Confidence Raymond, Dong Zhang, Aondona Lorumbu, Craig Jones, Mahesh Shakya, Bishesh Khanal, Pratibha Kulung,
• Abstract要約: トポロジ的誤りにより生じた予測の変形問題に対処するために,余分なトポロジ的改善モジュールを導入する。 本モジュールの導入により,non-Enhancing FLAIR Hyperintensity (SNFH), Non-Enhancing tumor Core (NETC) および Enhancing tumor (ET) において, 0.810, 0.829, 0.895の正常化表面距離(NSD)を実現した。
• 参考スコア（独自算出の注目度）: 6.778589220283568
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate automatic brain tumor segmentation in Low and Middle-Income (LMIC) countries is challenging due to the lack of defined national imaging protocols, diverse imaging data, extensive use of low-field Magnetic Resonance Imaging (MRI) scanners and limited health-care resources. As part of the Brain Tumor Segmentation (BraTS) Africa 2025 Challenge, we applied topology refinement to the state-of-the-art segmentation models like nnU-Net, MedNeXt, and a combination of both. Since the BraTS-Africa dataset has low MRI image quality, we incorporated the BraTS 2025 challenge data of pre-treatment adult glioma (Task 1) to pre-train the segmentation model and use it to fine-tune on the BraTS-Africa dataset. We added an extra topology refinement module to address the issue of deformation in prediction that arose due to topological error. With the introduction of this module, we achieved a better Normalized Surface Distance (NSD) of 0.810, 0.829, and 0.895 on Surrounding Non-Enhancing FLAIR Hyperintensity (SNFH) , Non-Enhancing Tumor Core (NETC) and Enhancing tumor (ET).
• Abstract（参考訳）: 低所得国と中所得国における正確な自動脳腫瘍分離は、定義された国家画像プロトコルの欠如、多様な画像データ、低磁場磁気共鳴イメージング(MRI)スキャナーの広範囲使用、医療資源の制限により困難である。 Brain tumor Segmentation (BraTS) Africa 2025 Challengeの一環として, nnU-NetやMedNeXtといった最先端のセグメンテーションモデルにトポロジーの改良を適用した。 BraTS-AfricaデータセットはMRI画像の画質が低いため、BraTS 2025チャレンジデータ(Task 1)を組み込んでセグメンテーションモデルの事前トレーニングを行い、BraTS-Africaデータセットの微調整に利用した。 トポロジ的誤りにより生じた予測の変形問題に対処するために,余分なトポロジ的改善モジュールを追加した。 本モジュールの導入により,Surrounding Non-Enhancing FLAIR Hyperintensity (SNFH) , Non-Enhancing tumor Core (NETC) および Enhancing tumor (ET) において, 0.810, 0.829, 0.895の正常化表面距離(NSD)を実現した。

関連論文リスト

• 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)
• EMedNeXt: An Enhanced Brain Tumor Segmentation Framework for Sub-Saharan Africa using MedNeXt V2 with Deep Supervision [4.638625540442347]
  MedNeXt V2をベースとした拡張脳腫瘍セグメンテーションフレームワークであるEMedNeXtについて述べる。 我々の解は平均LesionWise DSCが0.897、平均LesionWise NSDが0.541、0.84を0.5mm、1.0mmで達成した。
  論文  参考訳（メタデータ） (2025-07-31T05:30:19Z)
• Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data [6.14919256198409]
  グリオーマは低所得国、中所得国、特にサハラ以南のアフリカで診断上の課題を呈している。 本稿では、最小限のMRIデータと低品質のMRIデータを用いて、リソース制限領域の課題に対処するために、トランスファーラーニングを用いたグリオーマセグメンテーションの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-05T12:29:12Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。