論文の概要: Interactive deep-learning based interface for brain tumour segmentation
- arxiv url: http://arxiv.org/abs/2611.17983v1
- Date: Fri, 13 Nov 2026 10:09:55 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:51.846952
- Title: Interactive deep-learning based interface for brain tumour segmentation
- Title(参考訳): 脳腫瘍セグメンテーションのための対話型深層学習インタフェース
- Abstract要約: 本稿では,深層学習に基づくインタラクティブ脳腫瘍分類システムについて述べる。
デフォルトでは完全に自動化されているが、人間によって容易に修正できる能力を持っている。
自動アプローチの精度とユーザビリティの両方を、予備的な観察専門家によるユーザスタディを通じて評価する。
- 参考スコア(独自算出の注目度): 0.024084138430626807
- License:
- Abstract: Brain tumour segmentation from MR images is an integral part of their treatment, either through surgical resection or radiotherapy. Both applications require a high degree of precision that can be difficult to ensure for all patients due to the high degree of variability in the size, shape, number, and location of these tumours. This leads to difficulties with their automatic segmentation via deep learning, which can display catastrophic segmentation errors when presented with images that differ, even subtly, in terms of the specific MR sequence used, which varies from vendor to vendor. This article presents a deep-learning-based interactive segmentation system that, while being fully automatic by default, has the capability of being easily corrected by human users, allowing them ensure sufficiently high brain tumour segmentation accuracy for all patients. This interface is evaluated both in terms of the accuracy of its automatic approach as well as its usability through a preliminary observational expert user study.
- Abstract(参考訳): MR画像からの脳腫瘍の分節は、外科的切除や放射線治療を通じて治療の不可欠な部分である。
どちらの応用も高い精度が必要であり、これらの腫瘍の大きさ、形状、数、位置のばらつきが高いため、すべての患者を確実にするのは難しい。
これはディープラーニングによる自動セグメンテーションの難しさを招き、ベンダーによって異なる特定のMRシーケンスによって、微妙にも異なる画像が提示されたときに破滅的なセグメンテーションエラーを表示することができる。
本稿では,デフォルトでは完全自動である深層学習に基づくインタラクティブセグメンテーションシステムについて述べる。
このインターフェースは,その自動アプローチの精度とユーザビリティの両方を,予備的な観察専門家によるユーザスタディを通じて評価する。
関連論文リスト
- 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) - An Ensemble Approach for Brain Tumor Segmentation and Synthesis [0.12777007405746044]
磁気共鳴イメージング(MRI)における機械学習の統合は、信じられないほど効果的であることが証明されている。
ディープラーニングモデルは、複雑なデータの複雑な詳細をキャプチャするために、複数の処理層を利用する。
本稿では,最先端アーキテクチャを組み込んだディープラーニングフレームワークを提案し,精度の高いセグメンテーションを実現する。
論文 参考訳(メタデータ) (2024-11-26T17:28:51Z) - AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation [12.347340694969212]
脳腫瘍の分節は正確な診断と治療計画に不可欠である。
既存の10の方法は、腫瘍学級のような医学領域の知識を効果的に取り入れることに失敗する。
本稿では,腫瘍学級をセグメンテーションプロセスに統合する自動編集型プロンプト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-21T20:29:44Z) - Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer [1.9997842016096374]
我々は最先端のアルゴリズムを実装し、新しい2段階のインタラクティブ・クリック・リファインメント・フレームワークを提案する。
2S-ICRフレームワークは、ユーザインタラクションのないDiceの類似係数0.713$pm$0.152と、5つのインタラクション後の0.824$pm$0.099を達成し、どちらの場合も既存の手法よりも優れている。
論文 参考訳(メタデータ) (2024-09-10T15:58:21Z) - Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
論文 参考訳(メタデータ) (2023-06-20T17:42:30Z) - 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) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳(メタデータ) (2019-12-28T12:45:34Z)
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。