A comparison study of U-Net based methods for brain tumor segmentation

The brain tumor segmentation (BraTS) Challenge is an international competition that focuses on the task of automated segmentation of the different parts of brain tumors in magnetic resonance imaging (MRI) scans. U-Net architecture has become the de-facto standard for medical image segmentation tasks...

Descripción completa

Detalles Bibliográficos
Autor: Ferrando Garrido, Albert
Tipo de recurso: tesis de maestría
Fecha de publicación:2023
País:España
Institución:Universitat Politècnica de Catalunya (UPC)
Repositorio:UPCommons. Portal del coneixement obert de la UPC
Idioma:inglés
OAI Identifier:oai:upcommons.upc.edu:2117/407795
Acceso en línea:https://hdl.handle.net/2117/407795
Access Level:acceso abierto
Palabra clave:Imaging systems in medicine
Machine learning
Deep learning (Machine learning)
Image segmentation
BraTS-Africa
U-Net
Swin Transformer
Swin UNETR
BraTS challenge
MRI scans
aprenentatge automàtic
aprenentatge profund
aprenentatge per transferència
imatges biomèdiques
segmentació d'imatges mèdiques
segmentació de tumors cerebrals
concurs BraTS
ressonància magnètica
glioma adult
meningioma intracranial
metàstasis cerebrals
tumors pediàtrics
machine learning
deep learning
transfer learning
biomedical images
medical image segmentation
brain tumor segmentation
adult glioma
intracranial meningioma
brain metastases
pediatric tumors
Imatgeria mèdica
Aprenentatge automàtic
Aprenentatge profund
Imatges--Segmentació
Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial
id ES_28e66f5907d89cc12fd9d34fb7fda3aa
oai_identifier_str oai:upcommons.upc.edu:2117/407795
network_acronym_str ES
network_name_str España
repository_id_str
spelling A comparison study of U-Net based methods for brain tumor segmentationFerrando Garrido, AlbertImaging systems in medicineMachine learningDeep learning (Machine learning)Image segmentationBraTS-AfricaU-NetSwin TransformerSwin UNETRBraTS challengeMRI scansaprenentatge automàticaprenentatge profundaprenentatge per transferènciaimatges biomèdiquessegmentació d'imatges mèdiquessegmentació de tumors cerebralsconcurs BraTSressonància magnèticaglioma adultmeningioma intracranialmetàstasis cerebralstumors pediàtricsmachine learningdeep learningtransfer learningbiomedical imagesmedical image segmentationbrain tumor segmentationadult gliomaintracranial meningiomabrain metastasespediatric tumorsImatgeria mèdicaAprenentatge automàticAprenentatge profundImatges--SegmentacióÀrees temàtiques de la UPC::Informàtica::Intel·ligència artificialThe brain tumor segmentation (BraTS) Challenge is an international competition that focuses on the task of automated segmentation of the different parts of brain tumors in magnetic resonance imaging (MRI) scans. U-Net architecture has become the de-facto standard for medical image segmentation tasks, and the proposals based on this architecture have been among the top-ranked solution proposals in the last editions. The 2023 edition of the BraTS challenge introduced a set of 4 new datasets towards addressing additional populations (e.g., sub-Saharan Africa patients) and types of tumors (e.g., meningioma). The goal of this thesis is to train and test different U-Net based architectures using the datasets of the 2023 edition, and to compare and analyse the performance of the different methods both quantitatively and qualitatively.Universitat Politècnica de CatalunyaIgual Muñoz, Laura20232023-10-1920242024-05-10master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttps://hdl.handle.net/2117/407795reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/4077952026-05-27T15:37:01Z
dc.title.none.fl_str_mv A comparison study of U-Net based methods for brain tumor segmentation
title A comparison study of U-Net based methods for brain tumor segmentation
spellingShingle A comparison study of U-Net based methods for brain tumor segmentation
Ferrando Garrido, Albert
Imaging systems in medicine
Machine learning
Deep learning (Machine learning)
Image segmentation
BraTS-Africa
U-Net
Swin Transformer
Swin UNETR
BraTS challenge
MRI scans
aprenentatge automàtic
aprenentatge profund
aprenentatge per transferència
imatges biomèdiques
segmentació d'imatges mèdiques
segmentació de tumors cerebrals
concurs BraTS
ressonància magnètica
glioma adult
meningioma intracranial
metàstasis cerebrals
tumors pediàtrics
machine learning
deep learning
transfer learning
biomedical images
medical image segmentation
brain tumor segmentation
adult glioma
intracranial meningioma
brain metastases
pediatric tumors
Imatgeria mèdica
Aprenentatge automàtic
Aprenentatge profund
Imatges--Segmentació
Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial
title_short A comparison study of U-Net based methods for brain tumor segmentation
title_full A comparison study of U-Net based methods for brain tumor segmentation
title_fullStr A comparison study of U-Net based methods for brain tumor segmentation
title_full_unstemmed A comparison study of U-Net based methods for brain tumor segmentation
title_sort A comparison study of U-Net based methods for brain tumor segmentation
dc.creator.none.fl_str_mv Ferrando Garrido, Albert
author Ferrando Garrido, Albert
author_facet Ferrando Garrido, Albert
author_role author
dc.contributor.none.fl_str_mv Igual Muñoz, Laura
dc.subject.none.fl_str_mv Imaging systems in medicine
Machine learning
Deep learning (Machine learning)
Image segmentation
BraTS-Africa
U-Net
Swin Transformer
Swin UNETR
BraTS challenge
MRI scans
aprenentatge automàtic
aprenentatge profund
aprenentatge per transferència
imatges biomèdiques
segmentació d'imatges mèdiques
segmentació de tumors cerebrals
concurs BraTS
ressonància magnètica
glioma adult
meningioma intracranial
metàstasis cerebrals
tumors pediàtrics
machine learning
deep learning
transfer learning
biomedical images
medical image segmentation
brain tumor segmentation
adult glioma
intracranial meningioma
brain metastases
pediatric tumors
Imatgeria mèdica
Aprenentatge automàtic
Aprenentatge profund
Imatges--Segmentació
Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial
topic Imaging systems in medicine
Machine learning
Deep learning (Machine learning)
Image segmentation
BraTS-Africa
U-Net
Swin Transformer
Swin UNETR
BraTS challenge
MRI scans
aprenentatge automàtic
aprenentatge profund
aprenentatge per transferència
imatges biomèdiques
segmentació d'imatges mèdiques
segmentació de tumors cerebrals
concurs BraTS
ressonància magnètica
glioma adult
meningioma intracranial
metàstasis cerebrals
tumors pediàtrics
machine learning
deep learning
transfer learning
biomedical images
medical image segmentation
brain tumor segmentation
adult glioma
intracranial meningioma
brain metastases
pediatric tumors
Imatgeria mèdica
Aprenentatge automàtic
Aprenentatge profund
Imatges--Segmentació
Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial
description The brain tumor segmentation (BraTS) Challenge is an international competition that focuses on the task of automated segmentation of the different parts of brain tumors in magnetic resonance imaging (MRI) scans. U-Net architecture has become the de-facto standard for medical image segmentation tasks, and the proposals based on this architecture have been among the top-ranked solution proposals in the last editions. The 2023 edition of the BraTS challenge introduced a set of 4 new datasets towards addressing additional populations (e.g., sub-Saharan Africa patients) and types of tumors (e.g., meningioma). The goal of this thesis is to train and test different U-Net based architectures using the datasets of the 2023 edition, and to compare and analyse the performance of the different methods both quantitatively and qualitatively.
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-10-19
2024
2024-05-10
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/407795
url https://hdl.handle.net/2117/407795
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya
publisher.none.fl_str_mv Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869404972732383232
score 15.300719

Similares en LA Referencia