Decouple-and-Couple Learning in Multi-Modal Brain Tumor Segmentation
Notice bibliographique
Résumé
Exploiting multi-modal magnetic resonance imaging complementary information for brain tumor segmentation is still a challenging task. Existing methods are usually inclined to learn the joint representation of all tumor regions indiscriminately, thus salient sub-region or healthy tissue would be dominant during the training procedure, which leads to a biased and limited representation performance. In this study, a novel transformer-based multi-modal brain tumor segmentation approach is developed by decoupling and coupling strategy. First, Anatomy-induced Region Decoupler decouples the representation of the tumor scattered in different semantic sub-regions following anatomical view, which forces the model to fully learn intra-region representation separately with multiple modalities context. Additionally, we introduce the collaborative decoupling of the corresponding sub-region edge to serve auxiliary cues. We then design the Edge-supported Intra-region Coupler to separately couple edge and object learning within each anatomical sub-region structure. Lastly, the Mutual Cross-region Coupler is further applied to implement mutual improvement by coupling complementary gains among the above decoupled sub-regions. Extensive experiments clearly demonstrate that our method outperforms current state-of-the-arts for brain tumor segmentation on BRATS2018, BRATS2020, MSD, and BRATS2021 benchmarks while retaining high efficiency in the learning procedure.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».