| Identifikační kód |
RIV/68081731:_____/16:00507004 |
| Název v anglickém jazyce |
Local Structure Prediction with Convolutional Neural Networks for Multimodal Brain Tumor Segmentation |
| Druh |
D - Stať ve sborníku |
| Jazyk |
eng - angličtina |
| Vědní obor |
30210 - Clinical neurology |
| Rok uplatnění |
2016 |
| Kód důvěrnosti údajů |
S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
| Počet výskytů výsledku |
3 |
| Počet tvůrců celkem |
2 |
| Počet domácích tvůrců |
1 |
| Výčet všech uvedených jednotlivých tvůrců |
Pavel Dvořák (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 8053022, scopusid: 56419526100, researcherid: F-9021-2014)
B. Menze (státní příslušnost: DE - Spolková republika Německo) |
| Popis výsledku v anglickém jazyce |
Most medical images feature a high similarity in the intensities of nearby pixels and a strong correlation of intensity profiles across different image modalities. One way of dealing with - and even exploiting - this correlation is the use of local image patches. In the same way, there is a high correlation between nearby labels in image annotation, a feature that has been used in the ´local structure predictiol´of local label patches. In the present study we test this local structure prediction approach for 3D segmentation tasks, systematically evaluating different parameters that are relevant for the dense annotation of anatomical structures. We choose convolutional neural network as learning algorithm, as it is known to be suited for dealing with correlation between features. We evaluate our approach on the public BRATS2014 data set with three multimodal segmentation tasks, being able to obtain state-of-the-art results for this brain tumor segmentation data set consisting of 254 multimodal volumes with computing time of only 13s per volume |
| Klíčová slova oddělená středníkem |
brain tumor;clustering;CNN;deep learning;image segmentation;MRI |
| Stránka www, na které se nachází výsledek |
- |
| DOI výsledku |
10.1007/978-3-319-42016-5_6 |
| Odkaz na údaje z výzkumu |
- |