Inter and Intra Slice Reduction in Brain Tumor Segmentation
Notice bibliographique
Résumé
Medical Image Segmentation is a process of segmenting abnormalities from normal tissues.Due to the increasing growth of deep learning, there are various deep network models used to segment 3D medical images.Recently, U-Net and V-Net are used to segment 3D medical images.But these networks suffer from high computation burden.The objective of this paper is minimizing the computation time by reducing the input data.Initially, the 3D slices are reduced by taking the average of few slices (Inter-slice reduction).Then, only the tumor area is segmented using detection window (Intra-slice reduction).The reduced 3D Magnetic Resonance Imaging (MRI) data was fed as input to UNet with Long Short Term Memory (LSTM) layers for segmentation and classification.BRATS 2017 and BRATS 2018 are tested by proposed method of dataset.It achieves 96.24% accuracy, 90.84% Dice Score Coefficient (DSC) on BRATS 2017 dataset and 92% accuracy and 88.88% DSC on BRATS 2018 dataset in 12 and 10 seconds respectively.The proposed method is compared with some recent methods.It achieved reasonable gain in computation time with negligible loss in other metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».