arXiv:2012.06760

HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation

Saqib Qamar, Parvez Ahmad, Linlin Shen

제출 2020-12-12

원문 초록

The brain tumor segmentation task aims to classify tissue into the whole tumor (WT), tumor core (TC), and enhancing tumor (ET) classes using multimodel MRI images. Quantitative analysis of brain tumors is critical for clinical decision making. While manual segmentation is tedious, time-consuming, and subjective, this task is at the same time very challenging to automatic segmentation methods. Thanks to the powerful learning ability, convolutional neural networks (CNNs), mainly fully convolutional networks, have shown promising brain tumor segmentation. This paper further boosts the performance of brain tumor segmentation by proposing hyperdense inception 3D UNet (HI-Net), which captures multi-scale information by stacking factorization of 3D weighted convolutional layers in the residual inception block. We use hyper dense connections among factorized convolutional layers to extract more contexual information, with the help of features reusability. We use a dice loss function to cope with class imbalances. We validate the proposed architecture on the multi-modal brain tumor segmentation challenges (BRATS) 2020 testing dataset. Preliminary results on the BRATS 2020 testing set show that achieved by our proposed approach, the dice (DSC) scores of ET, WT, and TC are 0.79457, 0.87494, and 0.83712, respectively.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22620v1cs.AI공통 태그 Segmentation, Decision Making

더 적은 비용으로 문서 분할하기: LLM 기반 페이지 스트림 분할을 위한 다중 분할 경계 결정

Splitting Documents at Lower Cost: Multi-Split Boundary Decisions for LLM-Based Page Stream Segmentation

스캔된 우편물, 업로드된 PDF, 취합된 첨부 파일은 다운스트림 분류(classification), 추출 또는 라우팅 이전에 개별 문서로 분할되어야 하는 페이지 스트림 형태로 도착하는 경우가 많습니다. 제로샷(zero-shot) 대규모 언어 모델(LLM)은 태스크 특화 학습(training) 없이도 문서 경계를 감지할 수 있지만, 표준 페이지 분류(PC) 및 경계 결정(BD) 방식은 모델 호출당 하나의 경계만 처리합니다. 본 논문에서는 단일 호출 내에서 페이지 윈도우 내부의 여러 경계를 예측하여 추론(inference) 요청 횟수를 줄이는 다중 분할 경계 결정(MSBD)을 제안합니다. 다양한 언어 모델, 문서 컬렉션, 입력 모달리티 및 윈도우 크기에 걸쳐 MSBD를 평가합니다. 실험 결과, MSBD가 높은 분할 정확도를 유지하면서도 추론 효율성을 대폭 개선하는 모델 및 말뭉치 의존적인 동작 범위를 보였으며, 이후 더 큰 윈도우에서는 성능이 급격히 저하되는 것으로 나타났습니다. MSBD는 전반적으로 가장 강력한 정확도-효율성 트레이드오프를 제공한 반면, 큰 윈도우에서는 모델에 따라 뚜렷한 과다 분할 및 과소 분할 동작이 드러났습니다. 이러한 결과는 대상 말뭉치에 적합한 윈도우 크기를 선택할 때 다중 경계 예측이 제로샷 페이지 스트림 분할의 효율성을 높일 수 있음을 보여줍니다.

arXiv:2609.24838v1cs.AI공통 태그 Segmentation, Decision Making

MedRSI: 임상적으로 정렬된 자기 진화를 통한 의료용 에이전트의 재귀적 자기 개선

MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution

의료용 에이전트(agent)는 범용 추론 모델과 특화된 임상 도구를 점진적으로 결합하고 있으나, 그 능력은 배포 전 임상의와 엔지니어가 설계한 수준에 대부분 고정되어 있습니다. 재귀적 자기 개선(Recursive Self-Improvement, RSI)은 에이전트가 자신의 실패로부터 학습(training)하고 자율적으로 능력을 확장하는 다른 패러다임을 제공하지만, RSI를 의료 분야에 직접 적용하는 것은 근본적인 안전성(safety) 문제를 초래합니다. 본 논문에서는 도구 조합과 태스크별 모델 학습을 통해 진단 실패를 새로운 임상 능력으로 지속적으로 전환하는 최초의 의료용 재귀적 자기 개선 프레임워크인 MedRSI를 소개합니다. 임상 진료 현장에서 영감을 얻은 MedRSI는 임상적으로 정렬(alignment)된 자기 진화를 위한 두 가지 메커니즘을 도입합니다. 첫째, 임상 비용 인식 기반 실패 우선순위화(clinical-cost-aware failure prioritization)는 단순한 빈도 대신 잠재적인 임상적 결과에 따라 오류에 대한 개선 방향을 설정합니다. 둘째, 신속한 발견과 보수적 등록(fast discovery with slow registration)은 빠른 능력 창출과 보수적 도입을 분리하여, 후속 환자 코호트 전반에서 지속적인 이점을 입증한 후에만 새로운 도구가 영구 에이전트에 반영되도록 합니다. 공개 녹내장 및 심장 질환 벤치마크(benchmark)와 두 가지 비공개 임상 태스크 전반에서 MedRSI는 분할, 측정, 예측, 멀티모달 추론 및 생성 능력을 점진적으로 발전시키며, 수작업으로 설계된 의료용 에이전트를 능가하고 원래 설계자가 예상하지 못한 임상 문제에 대한 솔루션을 자율적으로 발견합니다. 본 연구 결과는 의료용 에이전트가 배포 전에 지정된 능력에 국한될 필요가 없음을 보여줍니다. 즉, 무엇을 개선하고 무엇을 유지할지 통제하는 임상적으로 기반을 둔(grounded) 메커니즘을 통해 진단 경험으로부터 새로운 능력을 지속적으로 구축, 검증 및 축적할 수 있습니다. 코드는 https://github.com/ImprintLab/MedRSI 에서 확인할 수 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.