Depth Invariant 3D-CU-Net Model with Completely Connected Dense Skip Networks for MRI Kidney Tumor Segmentation
Notice bibliographique
Résumé
Due to the impact and importance of the kidney objects in human body, the kidney tumor analysis from three dimensional CT and MRI medical images becomes a pivotal research topic, which helps in diagnosing the kidney diseases like kidney stones, polycystic and kidney tumors etc.In deep learning, U-Net became a prominent and reliable solution for kidney image analysis and objects segmentation process.Although several research works were focused on kidney object detection and tumor segmentation from medical images, they are suffering from some intrinsic limitations due to: variance in network depths, enforced feature fusion, segmentation errors and inaccuracy.In order to address these limitations in kidney tumor segmentation process, in this paper we proposed the 3D-CU-Net model for kidney tumor segmentation, which is a custom variant of the U-Net.In 3D-CU-Net, the encoder-decoder network model is unified to tolerate the depth invariance issues, while training various input images with the same model.Completely connected dense skip connections are designed at each layer of 3D-CU-Net, to control the enforced feature fusion and to extract the crucial features.An integrated loss function is designed with Binary Cross Entropy (BCE) and Soft-Dice Coefficient (SDC) to mitigate the segmentation errors and inaccuracy.Experiments on TCGA-KIRC dataset with 3D-CU-NET recorded the high accuracy in kidney tumor segmentation with mIoU (91.21%) and mDSC (92.69%).
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 | 0,001 | 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 ».