論文の概要: NeuroTS-Net: Multi-Class Semantic Segmentation of Pediatric Brain Tumors in Multi-Modal MRI

• arxiv url: http://arxiv.org/abs/2609.16873v1
• Date: Tue, 15 Sep 2026 09:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.427462
• Title: NeuroTS-Net: Multi-Class Semantic Segmentation of Pediatric Brain Tumors in Multi-Modal MRI
• Title（参考訳）: NeuroTS-Net : 多モードMRIにおける小児脳腫瘍のマルチクラスセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セメンテーション
• Abstract要約: NeuroTS-Netは、セマンティックセグメンテーションのための3次元エンコーダデコーダ畳み込みニューラルネットワークアーキテクチャである。 デュアルスケールの生のディテールストリーム、適応型低解像度コンテキスト選択、詳細保存型マルチパスダウンサンプリングが組み込まれている。 NeuroTS-Netは、外部データや事前訓練された重量なしで、BraTS 2026の小児データセットでトレーニングされた。
• 参考スコア（独自算出の注目度）: 0.8013259197554157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pediatric brain tumors are a leading cause of cancer-related mortality in children, and their small, rare, and often low-contrast subregions make accurate manual delineation challenging. Reliable automated segmentation is therefore needed to support diagnosis, treatment planning, and response assessment. Accordingly, we introduce NeuroTS-Net, a three-dimensional encoder-decoder convolutional neural network architecture for multi-class semantic segmentation that incorporates a dual-scale raw-detail stream, adaptive low-resolution context selection, and detail-preserving multipath downsampling. These components preserve fine intensity and boundary information while efficiently modeling broader tumor context. NeuroTS-Net was trained on the BraTS 2026 pediatric dataset without external data or pretrained weights and evaluated against nnU-Net and MedNeXt under the same experimental protocol. NeuroTS-Net outperformed the baseline methods, achieving whole-tumor and tumor-core Dice scores of 0.938 and 0.937 on the internal validation set and 0.927 and 0.926 on the official challenge validation set. The code is open-sourced at: https://github.com/maenstru56/NeuroTS.
• Abstract（参考訳）: 小児脳腫瘍は、小児のがん関連死亡の主な原因であり、その小さな、稀で、しばしば低コントラストの亜領域は、正確な手作業による記述を困難にしている。 したがって、診断、治療計画、反応評価をサポートするために信頼性の高い自動セグメンテーションが必要である。 そこで我々は,NuroTS-Netを紹介した。これは3次元エンコーダ・デコーダ畳み込みニューラルネットワークアーキテクチャで,マルチクラスのセマンティックセマンティックセマンティックセグメンテーションを実現する。 これらの成分は、より広い腫瘍コンテキストを効率的にモデル化しながら、微細な強度と境界情報を保存する。 NeuroTS-Netは、外部データや事前訓練された重みのないBraTS 2026の小児データセットでトレーニングされ、同じ実験プロトコルでnnU-NetとMedNeXtに対して評価された。 NeuroTS-Netは、内部の検証セットで0.938、腫瘍コアDiceスコアが0.937、公式の課題検証セットで0.927、0.926を達成し、ベースライン法よりも優れていた。 コードは、https://github.com/maenstru56/NeuroTSでオープンソース化されている。

関連論文リスト

• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• 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)
• BrainSegDMlF: A Dynamic Fusion-enhanced SAM for Brain Lesion Segmentation [39.74162517990082]
  脳画像における実質的な脳病変は、病変領域と正常な脳組織の間に不明瞭な境界を持つ高い異種性を示す。 単一スライスにおける小病変の同定は困難であり, 異常領域の正確な再現性セグメンテーション, 特徴記述は非常に複雑である。 既存の手法には次のような制限がある: 1) 診断に一般的に使用されるマルチモーダル情報を無視し、学習に単一モーダル情報のみに依存する。
  論文  参考訳（メタデータ） (2025-05-09T15:40:09Z)
• Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings [4.022491041135248]
  本研究では, グリオーマのセマンティックセグメンテーションのために, UNet3D, V-Net, MSA-VNetモデルを統合した深層学習アンサンブルを開発する。 DICEスコアは腫瘍コア0.8358、全腫瘍0.8521、腫瘍エンハンス0.8167である。
  論文  参考訳（メタデータ） (2025-02-04T09:53:09Z)
• Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade [0.0]
  小児におけるDiffuse Intrinsic Pontine Glioma (DIPG) およびDiffuse Midline Glioma (DMG) 脳腫瘍のモニタリングが治療効果の評価の鍵となる。 RAPNOガイドラインは、MRIボリュームチャレンジを用いてこれらの腫瘍を測定することを推奨している。 最近の研究は、小児脳腫瘍セグメンテーションのための既存のnnU-Netアプローチの新たな適応を提示する。
  論文  参考訳（メタデータ） (2024-10-17T20:46:13Z)
• BraTS-PEDs: Results of the Multi-Consortium International Pediatric Brain Tumor Segmentation Challenge 2023 [44.64458075448]
  小児脳腫瘍に焦点を当てた第1回BraTS-PEDs 2023チャレンジの結果を報告する。 BraTS-PEDs 2023は、磁気共鳴画像による小児脳グリオーマの体積分割アルゴリズムの評価を目的とした。 小児腫瘍分析におけるトップパフォーマンスのAIアプローチには、nnU-NetとSwin UNETR、Auto3DSeg、あるいはnnU-Netの自己組織化フレームワークによるアンサンブルが含まれていた。
  論文  参考訳（メタデータ） (2024-07-11T20:35:32Z)
• SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation [0.0]
  本稿では,SEDNetと呼ばれる新しい浅層エンコーダとデコーダネットワークを含む腫瘍セグメンテーションフレームワークを提案する。 SEDNetのハイライトは、階層的畳み込みダウンサンプリングにおける十分さと、コスト効率が高く効果的な脳腫瘍セマンティックセグメンテーションのための選択的スキップメカニズムである。 SEDNet(X)は、約130万のパラメータと、最先端のSEDNet(X)と比較すると、リアルタイム臨床診断において計算的に効率的であることが示されている。
  論文  参考訳（メタデータ） (2024-01-24T11:57:25Z)
• 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)
• HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
  本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。 BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
  論文  参考訳（メタデータ） (2020-12-12T09:09:04Z)
• 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)
• DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images [0.0]
  グリオーマは最も一般的で攻撃的な脳腫瘍である。 FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。 本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的なディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-26T09:50:02Z)

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。