論文の概要: Enhancing MRI Brain Tumor Edge Detection: A Hybrid Preprocessing Approach Utilizing CLAHE
- arxiv url: http://arxiv.org/abs/2608.28709v1
- Date: Thu, 27 Aug 2026 22:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.72668
- Title: Enhancing MRI Brain Tumor Edge Detection: A Hybrid Preprocessing Approach Utilizing CLAHE
- Title（参考訳）: MRI脳腫瘍エッジ検出の強化:CLAHEを用いたハイブリッド前処理アプローチ
- Authors: Shahid-E-Kaiser Md. Tashrif, Munshi Md Arafat Hussain, Sheikh Nahian, Sumaiya Islam,
- Abstract要約: 磁気共鳴画像(MRI)における脳腫瘍の正確な境界線決定は重要な課題である。
従来のエッジ検出アルゴリズムは計算的に軽量で数学的に解釈可能であるが、しばしば浮腫の局所的境界の拡散を捉えることに失敗する。
これらの制限を克服するために,ハイブリッドなエッジ検出パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate boundary delineation of brain tumors in Magnetic Resonance Imaging (MRI) is a critical yet formidable challenge in neuro-oncology due to inherent scanner noise, complex anatomical structures, and uneven illumination. Traditional edge detection algorithms, while computationally lightweight and mathematically interpretable, frequently fail to capture the diffuse, localized boundaries of edema when relying solely on global preprocessing and manual parameter tuning. To overcome these limitations, we propose a hybrid automated edge detection pipeline. Our approach integrates an optimally configured Contrast-Limited Adaptive Histogram Equalization (CLAHE) layer into a comprehensive morphological preprocessing framework, followed by a deterministic sequential parameter sweep to fully automate threshold selection. The proposed hybrid model demonstrated enhancement in detecting critical anatomical structures in a publicly available benchmark database from Kaggle. By intelligently amplifying localized gradients without overwhelming the image with background noise, our method achieved higher Recall (Sensitivity). Consequently, the overall F1-Score elevated, and the Structural Similarity Index (SSIM) improved, all while maintaining a highly efficient execution. This establishes our optimized pipeline as a highly practical and near real-time operational model for clinical diagnostics, offering a compelling alternative to computationally heavy deep learning approaches.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)における脳腫瘍の正確な境界線決定は、固有のスキャナーノイズ、複雑な解剖学的構造、不均一な照明による神経腫瘍学における重要な課題である。
従来のエッジ検出アルゴリズムは、計算的に軽量で数学的に解釈可能であるが、グローバルな前処理と手動パラメータチューニングのみに依存する場合、しばしば拡散、局所化境界の捕捉に失敗する。
これらの制限を克服するため、我々はハイブリッド自動エッジ検出パイプラインを提案する。
提案手法では,CLAHE(Contrast-Limited Adaptive Histogram Equalization)層を包括的形態素前処理フレームワークに統合し,次いで決定論的逐次パラメータスイープを用いてしきい値選択を完全自動化する。
提案したハイブリッドモデルは,Kaggleから公開されているベンチマークデータベースにおいて,重要な解剖学的構造を検出することの促進を示した。
背景雑音を伴わずに局所勾配をインテリジェントに増幅することにより,高いリコール(感度)を実現した。
その結果、全体的なF1スコア上昇と構造類似度指数(SSIM)は改善され、非常に効率的な実行を維持した。
これにより、高度に実用的でほぼリアルタイムな臨床診断モデルとして最適化されたパイプラインを確立し、計算的に重いディープラーニングアプローチに代わる魅力的な代替手段を提供する。
関連論文リスト
- B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures [42.844780603412325]
自己監督型プレトレーニングは、医療画像の転送可能な表現を可能にする。
ほとんどのCTエンコーダは、いまだに粗い意味理解に偏っている。
グローバルなセマンティックアライメントを低減するために、バイアスドマスク画像モデリングを導入する。
論文 参考訳（メタデータ） (2026-08-25T10:20:05Z) - RetiWave-Mamba: A Dual-Stream Network for Retinal Disease Detection based on Multi-scale Context and Frequency-Adaptive Mamba Projection [11.498068680313613]
本稿では、空間周波数領域学習と最先端状態空間モデルを統合する新しいフレームワークRetiWave-Mambaを提案する。
提案手法は,既存の手法を超越して,最先端(SOTA)分類精度98.25%を実現する。
論文 参考訳（メタデータ） (2026-08-18T10:38:59Z) - PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification [1.2744523252873352]
14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。
このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。
このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
論文 参考訳（メタデータ） (2026-07-05T19:50:53Z) - Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。
PathCTMは診断推論を動的逐次情報追跡として定式化する。
必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
論文 参考訳（メタデータ） (2026-05-19T07:46:44Z) - Enhanced Liver Tumor Detection in CT Images Using 3D U-Net and Bat Algorithm for Hyperparameter Optimization [0.294944680995069]
肝がんは最も多く、致死的ながんの1つである。
本稿では,CT画像における肝腫瘍自動切除の新たなアプローチを提案する。
論文 参考訳（メタデータ） (2025-08-11T20:21:30Z) - 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) - Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。
本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。
微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文 参考訳（メタデータ） (2024-06-12T20:35:16Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - 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) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z)
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。