論文の概要: Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

• arxiv url: http://arxiv.org/abs/2607.12684v1
• Date: Tue, 14 Jul 2026 12:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.137671
• Title: Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge
• Title（参考訳）: AIMS-TBI 2025 チャレンジにおける nnU-Net を用いた適応正規化による外傷性脳損傷の重症化
• Authors: Inhwa Son, Gaeun Lee, Sohyeon Sim, Kwang-Hyun Uhm,
• Abstract要約: われわれはmsTBI病変分節の深層学習による解決法を提案する。 本手法は,脳小葉に限った適応性強度正規化戦略を持つnnU-Netフレームワークを用いている。
• 参考スコア（独自算出の注目度）: 0.6894744675083238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The segmentation of lesions in Moderate to Severe Traumatic Brain Injury (msTBI) from T1-weighted MRI presents a significant clinical challenge due to the profound heterogeneity of lesion characteristics in terms of size, shape, and location. To address this, the AIMS-TBI 2025 Challenge was organized to promote the development of robust and accurate segmentation algorithms. In this paper, we present our deep learning-based solution. Our methodology employs the nnU-Net framework with an adaptive intensity normalization strategy confined to the brain parenchyma, effectively reducing inter-subject variability and mitigating artifacts from non-brain structures. Upon final evaluation on the held-out test set, our method demonstrated highly competitive performance on the official leaderboard, achieving an Overall Dice Coefficient of 0.6305. The model obtained a Dice score of 0.4805 for lesion segmentation and 0.9324 for non-lesion tissue. While the lesion Dice reflects the difficulty of detecting highly heterogeneous lesions, the high non-lesion Dice primarily indicates the model's strong ability to correctly identify non-lesion voxels, demonstrating good specificity in differentiating lesion from non-lesion regions. These results demonstrate that incorporating anatomically constrained normalization within the nnU-Net pipeline is a powerful and effective strategy for tackling the complexities of msTBI lesion segmentation.
• Abstract（参考訳）: T1強調MRIによる中等度から重度外傷性脳損傷 (msTBI) における病変の分節化は, 大きさ, 形状, 位置の面での病変特性の深い均一性に起因する重要な臨床的課題である。 これを解決するため、AIMS-TBI 2025 Challengeが組織され、堅牢で正確なセグメンテーションアルゴリズムの開発を促進した。 本稿では,ディープラーニングに基づくソリューションを提案する。 本手法では,脳小葉のみに適応的な強度正規化戦略を組み込んだnnU-Netフレームワークを用いて,物体間の変動を効果的に低減し,非脳構造からの人工物を緩和する。 保持試験セットを最終評価した結果,オフィシャルリーダーボード上で高い競争性能を示し,全体のDice係数0.6305を達成できた。 このモデルではディススコアが0.4805で病変セグメンテーションが0.9324、非病変組織が0.9324であった。 病変Diceは高度に異質な病変を検出することの難しさを反映しているが、高い非複製Diceは、主にモデルが非複製ボクセルを正しく識別する強力な能力を示し、非複製領域と区別する病変に良い特異性を示す。 これらの結果は、nU-Netパイプラインに解剖学的に制約された正規化を組み込むことが、msTBI病変の断片化の複雑さに対処するための強力で効果的な戦略であることを示している。

関連論文リスト

• Traumatic Brain Injury Segmentation using an Ensemble of Encoder-decoder Models [0.8886706641070187]
  TBI病変の同定とセグメンテーションは、神経イメージングにおいて重要な課題である。 本研究の目的は、T1強調MRIにおけるTBI病変を自動的に検出・分節する自動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2025-09-29T12:21:32Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• GANet-Seg: Adversarial Learning for Brain Tumor Segmentation with Hybrid Generative Models [1.0456203870202954]
  この研究は、事前訓練されたGANとUnetアーキテクチャを利用した脳腫瘍セグメンテーションのための新しいフレームワークを導入する。 グローバルな異常検出モジュールと改良されたマスク生成ネットワークを組み合わせることで,腫瘍感受性領域を正確に同定する。 マルチモーダルMRIデータと合成画像拡張を用いて、ロバスト性を改善し、限られたアノテートデータセットの課題に対処する。
  論文  参考訳（メタデータ） (2025-06-26T13:28:09Z)
• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images [8.359851428921386]
  本稿では,階層型U字型エンコーダデコーダ,残差ブロック,アテンション機構,ASPPモジュールを統合した逆学習に基づく動的アーキテクチャ調整手法を提案する。 実験の結果、Dice係数は0.5602の0.6802、IoU、リコールは0.766、精度は0.6525、精度は0.9955であることが示され、眼底出血セグメンテーションの課題に効果的に対処した。
  論文  参考訳（メタデータ） (2025-02-13T12:11:58Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)

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。