Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation
원문 초록
Deep learning has quickly become the weapon of choice for brain lesion segmentation. However, few existing algorithms pre-configure any biological context of their chosen segmentation tissues, and instead rely on the neural network's optimizer to develop such associations de novo. We present a novel method for applying deep neural networks to the problem of glioma tissue segmentation that takes into account the structured nature of gliomas - edematous tissue surrounding mutually-exclusive regions of enhancing and non-enhancing tumor. We trained multiple deep neural networks with a 3D U-Net architecture in a tree structure to create segmentations for edema, non-enhancing tumor, and enhancing tumor regions. Specifically, training was configured such that the whole tumor region including edema was predicted first, and its output segmentation was fed as input into separate models to predict enhancing and non-enhancing tumor. Our method was trained and evaluated on the publicly available BraTS dataset, achieving Dice scores of 0.882, 0.732, and 0.730 for whole tumor, enhancing tumor and tumor core respectively.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Flexible Fusion Network for Multi-modal Brain Tumor Segmentation
당뇨병성 망막병증 병변 분할을 위한 다중 해상도 특징 스템
Multi-Resolution Feature Stem for Diabetic Retinopathy lesion segmentation
당뇨병성 망막병증(Diabetic Retinopathy, DR)은 전 세계적으로 예방 가능한 실명의 주요 원인으로, 조기 발견 및 모니터링을 위해 심층 학습(deep learning) 모델을 이용한 자동화된 병변 분할이 요구된다. 그러나 DR 병변은 미세혈관류(microaneurysm)처럼 극히 작은 것부터 대형 출혈(hemorrhage) 및 삼출물(exudate)까지 크기가 매우 다양하다. 이러한 변동성은 모델 아키텍처와 입력 해상도에 상충되는 요구를 발생시켜 효과적인 설계를 어렵게 한다. 본 연구는 입력 해상도가 서로 다른 병변 유형에 미치는 영향을 조사한다. 512×512 및 1024×1024 해상도에서 다수의 아키텍처(U-Net, UNet++, Vision Transformer, DeepLabV3+)를 대상으로 체계적인 실험을 수행한 결과, 입력 해상도를 높이는 것이 병변 유형에 따라 상반된 효과를 나타내는 중요하고 직관에 반하는 현상을 규명하였다. 구체적으로, 높은 해상도가 미세한 미세혈관류를 정밀하게 식별하는 데 필수적인 반면, 더 큰 출혈에 대한 성능을 예상치 못하게 저하시킬 수 있음을 입증하였다. 이 결과는 높은 해상도가 일관되게 유익하다는 통념에 의문을 제기한다. 이를 해결하기 위해, UNet++ 백본에 통합된 입력 수준의 피라미드 구조인 새로운 다중 해상도 특징 스템(Multi-Resolution Feature Stem)을 제안한다. 이 아키텍처는 여러 스케일을 병렬로 처리하여 문맥 정보를 희생하지 않고 세밀한 세부 특징을 포착한다. 본 연구는 이러한 복잡한 해상도 의존적 동작에 대한 핵심적인 실증적 증거와, 이 트레이드오프를 성공적으로 해결하는 실용적이고 매개변수 효율적인 아키텍처를 제시한다.
D3Seg: 모달리티 누락 환경에서의 뇌종양 분할을 위한 의존성 인식 확산 모델
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities
다중 매개변수 MRI를 활용한 정확한 뇌종양 분할은 효과적인 치료 계획 수립에 필수적이다. 그러나 임상 환경에서는 모든 MRI 시퀀스를 완전히 획득하는 것이 항상 가능하지 않다. 특정 MRI 모달리티의 부재는 기존 분할 방법의 성능을 크게 저하시키는데, 이러한 방법들은 일반적으로 단순한 특징 연결(concatenation)이나 직접적인 융합 전략에 의존한다. 이러한 한계를 해결하기 위해, 본 논문은 모달리티 누락 환경에서 안정적인 성능을 유지하도록 설계된 새로운 분할 모델 D3Seg를 제안한다. D3Seg는 고차 모달리티 간 의존성을 모델링하는 Multi-hop Modality Graph Fusion(MMGF), 잠재 공간에서 누락된 T1ce 및 FLAIR 특징 표현을 보완하는 경량 확산 기반 대체(imputation) 메커니즘, 그리고 지배적 클래스의 과신(overconfidence)을 완화하고 과소 표현된 종양 하위 영역의 경계 구분을 개선하는 확률 공간 결정 정제(probability-space decision refinement)를 도입한다. 제안된 D3Seg 모델은 BraTS 2023 Glioma를 주요 벤치마크로 평가하고, 종양 병리 전반에 걸친 일반화 성능을 평가하기 위해 외부 데이터셋인 BraTS 2023 Meningioma 코호트의 일부에서 추가 테스트를 수행한다. 다양한 모달리티 누락 조건에서 최신 모델들과 비교한 결과, 제안된 모델은 BraTS Glioma 데이터셋에서 현재 최고 성능 모델 대비 여러 모달리티 누락 구성에서 강화 종양(ET, enhancing tumor)에 대해 약 1.5~2.0%, 종양 핵심부(TC, tumor core)에 대해 약 1.0%의 Dice 점수 향상을 달성한다. BraTS Meningioma 데이터셋에서의 코호트 간 평가는 제안된 모델의 일반화 가능성을 입증하며, 여러 모달리티 누락 구성에서 난이도가 높은 TC 및 ET 영역에서 각각 약 1.5~3.0%, 1.5~6.5%의 일관된 성능 향상을 보인다.
ZS-VCOS: Zero-Shot Outperforms Supervised Video Camouflaged Object Segmentation with Zero-Shot Method
RobU-Net: a heuristic robust multi-class brain tumor segmentation approaches for MRI scans
DEU-Net: Dual-Encoder U-Net for Automated Skin Lesion Segmentation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.