論文の概要: Generalizable Brain Tumor Segmentation with Self-Training and Tumor-Aware Deformations

• arxiv url: http://arxiv.org/abs/2609.02600v1
• Date: Wed, 02 Sep 2026 13:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.400253
• Title: Generalizable Brain Tumor Segmentation with Self-Training and Tumor-Aware Deformations
• Title（参考訳）: 自己検診と腫瘍認識変形を併用した一般化可能な脳腫瘍切除
• Authors: Henrique Zan Grande, Jeovane Honorio Alves, Rayson Laroca, Andre Gustavo Hochuli,
• Abstract要約: この研究は、BraTS 2026 ChallengeのBraTS-GoAT(Generalizability Across tumors)タスクへのアプローチを示す。 提案手法は,ラベルなし学習データから生成された擬似ラベルを用いた半教師付き学習手法を用いる。 著者らは,最も確実な疑似ラベルの症例の様々な割合を用いて,各コンポーネントの個々のコントリビューションとそれらの組み合わせを評価した。
• 参考スコア（独自算出の注目度）: 0.8318686824572802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents an approach to the Generalizability Across Tumors (BraTS-GoAT) task of the BraTS 2026 Challenge, which focuses on robust segmentation of brain tumor sub-regions across a heterogeneous patient population. The proposed method employs the nnU-Net framework with a large residual encoder architecture, integrating a semi-supervised learning technique with pseudo-labels generated from the unlabeled training data and a tumor-aware deformable augmentation that locally deforms the lesion while preserving the surrounding anatomy. We evaluate the individual contributions of each component, as well as their combination, using varying proportions of the most confident pseudo-labeled cases. The submitted configuration for the generalization task achieves Dice and NSD scores of 0.881 and 0.473 for Whole Tumor, 0.817 and 0.490 for Tumor Core, and 0.775 and 0.533 for Enhancing Tumor on the BraTS-GoAT validation set, improving over the labeled-only baselines across all tumor regions and confirming that self-training and the proposed augmentation are complementary. Our source code is publicly available at https://github.com/Henrique-zan/brats-goat-2026/.
• Abstract（参考訳）: 本研究は、BraTS 2026 Challengeの一般性腫瘍(BraTS-GoAT)タスクに対するアプローチであり、異種患者集団における脳腫瘍サブ領域の堅牢なセグメンテーションに焦点を当てている。 提案手法は, 大規模な残留エンコーダアーキテクチャを備えたnnU-Netフレームワークを用いて, ラベル付きトレーニングデータから生成された擬似ラベルと, 周囲の解剖を保存しながら局所的に変形する腫瘍認識変形性拡張とを半教師付き学習技術に統合する。 著者らは,最も確実な疑似ラベルの症例の様々な割合を用いて,各コンポーネントの個々のコントリビューションとそれらの組み合わせを評価した。 汎用タスクの提出された構成は、全腫瘍に対するDiceとNSDスコア0.881と0.473、腫瘍コアに対する0.817と0.490、BraTS-GoATバリデーションセット上で腫瘍をエンハンスするための0.775と0.533、全腫瘍領域にわたるラベル付きのみのベースラインの改善、自己訓練と提案された増強が相補的であることを確認する。 ソースコードはhttps://github.com/Henrique-zan/brats-goat-2026/で公開されています。

関連論文リスト

• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• 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)
• 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)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
  本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
  論文  参考訳（メタデータ） (2024-12-05T12:00:00Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• 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)
• 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。