Core Concepts
本研究は、ヒストグラム均等化(HE)、コントラスト制限付き適応ヒストグラム均等化(CLAHE)、およびそれらの組み合わせが、畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍セグメンテーションに及ぼす影響を系統的に調査している。
Abstract
本研究は、脳腫瘍セグメンテーションにおける画像強調手法の影響を詳細に分析している。
画像前処理段階では、リサイズと強調処理を最適化し、セグメンテーション精度の向上を図っている。
CNN ベースのU-Net アーキテクチャの詳細な分析と、訓練・検証プロセスが提供されている。
精度、損失、MSE、IoU、DSCなどの指標を用いた比較分析の結果、CLAHE-HEのハイブリッド手法が最も優れた性能を示している。
訓練、テスト、検証の各フェーズで高い精度(0.9982、0.9939、0.9936)と堅牢なセグメンテーション重複(Jaccard 0.9862、0.9847、0.9864、Dice 0.993、0.9923、0.9932)が確認された。
本研究は、神経腫瘍学における診断精度と治療計画の向上に寄与する可能性を示唆している。
Stats
訓練時の精度は0.9982、損失は0.0054、MSEは0.0015
テスト時の精度は0.9939、損失は0.0391、MSEは0.0057
検証時の精度は0.9936、損失は0.0409、MSEは0.0059
Quotes
"本研究は、ヒストグラム均等化(HE)、コントラスト制限付き適応ヒストグラム均等化(CLAHE)、およびそれらの組み合わせが、畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍セグメンテーションに及ぼす影響を系統的に調査している。"
"CLAHE-HEのハイブリッド手法が最も優れた性能を示し、訓練、テスト、検証の各フェーズで高い精度と堅牢なセグメンテーション重複が確認された。"
"本研究は、神経腫瘍学における診断精度と治療計画の向上に寄与する可能性を示唆している。"