Компьютерные науки > Комплекторное видение и распознавание шаблона [представлено 15 сентября 2026 года] Название: NeuroTS-Net: Многоклассная семантическая сегментация педиатровых мозговых опухолей в мультимодальном MRI View PDF HTML (экспериментальное) резюме. Поэтому для поддержки диагностики, планирования лечения и оценки ответных мер необходимо обеспечить надежную автоматизированную сегментацию. В этой связи мы представляем NeuroTS-Net, трехмерную архитектуру энкодера и декольтекторов для многоклассной семантической сегментации, которая включает двуразмерный необработанный поток, адаптивный выбор контекста с низким разрешением, а также многогранный отбор проб. Эти компоненты сохраняют тонкую интенсивность и информацию о границах, а также эффективно моделируют более широкий контекст опухоли. NeuroTS-Net прошли подготовку по комплекту данных о педиатрии BraTS 2026 без внешних данных или заранее подготовленных весов и были оценены на основе nnU-Net и MedNeXt в соответствии с тем же экспериментальным протоколом. NeuroTS-Net превысили базовые методы, достигнув итоговых показателей по опухолей и обезвоживанию в 0,938 и 0,937 на наборе внутренней проверки, а также 0,927,026 - на официальном комплекте оценки соответствия. Код открыт для использования: этот https URL. История представления: Darius Peteleaza [видение электронной почты] [v1] Tue, 15 сентября 2026 09:05:03 UTC (9 305 KB) Ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является…
NeuroTS-Net: многоклассная семантическая сегментация педиатрических опухолей мозга в мультимодальном MRI
arXiv: 2609.16873v1 Annuates Type: Cross Brieft: Pediatric Mозговые опухоли являются одной из главных причин смертности детей от рака, а их небольшие, редкие и зачастую низкоконтравлирующие субрегионы затрудняют точное ручное разграничение. Поэтому для поддержки диагностики, планирования лечения и оценки ответных мер необходимо обеспечить надежную автоматизированную сегментацию. В этой связи мы представляем NeuroTS-Net, трехмерную архитектуру энкодера и декольтекторов для многоклассной семантической сегментации, которая включает двуразмерный необработанный поток, адаптивный выбор контекста с низким разрешением, а также многогранный отбор проб. Эти компоненты сохраняют тонкую интенсивность и информацию о границах, а также эффективно моделируют более широкий контекст опухоли. NeuroTS-Net прошли подготовку по комплекту данных о педиатрии BraTS 2026 без внешних данных или заранее подготовленных весов и были оценены на основе nnU-Net и MedNeXt в соответствии с тем же экспериментальным протоколом. NeuroTS-Net опережает базовые методы, ach