Buchumschlag

Reproducible 2D U-Net Baseline for Brain Tumor Segmentation with Structured Error Analysis

Fuente: Zenodo

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Ramanujam, Raghav Sarangan
Format:	Recurso digital
Sprache:	Englisch
Veröffentlicht:	Zenodo 2026
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Brain Tumor Segmentation in MRI Images with 3D U-Net and Contextual Transformer
von: Nguyen, Thien-Qua T., et al.
Veröffentlicht: (2024)

LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation
von: Alwadee, Ebtihal J., et al.
Veröffentlicht: (2024)

MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network
von: Shen, Longfeng, et al.
Veröffentlicht: (2024)

Towards Efficient Brain Tumor Segmentation via a Transformer‐Driven 3D U‐Net
von: Runlin Chen, et al.
Veröffentlicht: (2025)

Reproducible Evaluation of Data Augmentation and Loss Functions for Brain Tumor Segmentation
von: B, Saumya
Veröffentlicht: (2025)

Efficient Brain Tumor Segmentation Using1 Hybrid-Pruned nnU-Net2
von: Muhammad, Jameel, et al.
Veröffentlicht: (2025)

3D U‐Net‐Based Brain Tumor Semantic Segmentation Using a Modified Data Generator
von: Dinesh Kumar, et al.
Veröffentlicht: (2025)

DALight-3D: A Lightweight 3D U-Net for Brain Tumor Segmentation from Multi-Modal MRI
von: Mishra, Nand Kumar, et al.
Veröffentlicht: (2026)

Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing
von: Gad, Eyad, et al.
Veröffentlicht: (2025)

Efficient Brain Tumor Segmentation Using a Dual-Decoder 3D U-Net with Attention Gates (DDUNet)
von: Pajouh, Mohammad Mahdi Danesh
Veröffentlicht: (2025)

Towards Reliable Pediatric Brain Tumor Segmentation: Task-Specific nnU-Net Enhancements
von: Li, Xiaolong, et al.
Veröffentlicht: (2025)

Synthetic Poisoning Attacks: The Impact of Poisoned MRI Image on U-Net Brain Tumor Segmentation
von: Li, Tianhao, et al.
Veröffentlicht: (2025)

An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net
von: Islam, MD Rashidul, et al.
Veröffentlicht: (2026)

Multiscale Encoder and Omni-Dimensional Dynamic Convolution Enrichment in nnU-Net for Brain Tumor Segmentation
von: Mistry, Sahaj K., et al.
Veröffentlicht: (2024)

PSO-UNet: Particle Swarm-Optimized U-Net Framework for Precise Multimodal Brain Tumor Segmentation
von: Saifullah, Shoffan, et al.
Veröffentlicht: (2025)

An Empirical Study on Variance-based MC Dropout Uncertainty-Error Correlation in 2D Brain Tumor Segmentation
von: B, Saumya
Veröffentlicht: (2025)

Integrating Edges into U-Net Models with Explainable Activation Maps for Brain Tumor Segmentation using MR Images
von: Sahayam, Subin, et al.
Veröffentlicht: (2024)

SER-Diff: Synthetic Error Replay Diffusion for Incremental Brain Tumor Segmentation
von: Makanaboyina, Sashank
Veröffentlicht: (2025)

BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification
von: Hou, Jiacheng, et al.
Veröffentlicht: (2025)

A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation
von: Heidari, Moein, et al.
Veröffentlicht: (2025)

PGR-Net: Prior-Guided ROI Reasoning Network for Brain Tumor MRI Segmentation
von: Lu, Jiacheng, et al.
Veröffentlicht: (2026)

M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast
von: Lu, Jiacheng, et al.
Veröffentlicht: (2025)

Meta-D: Metadata-Aware Architectures for Brain Tumor Analysis and Missing-Modality Segmentation
von: Kim, SangHyuk, et al.
Veröffentlicht: (2026)

Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images
von: Ahmadi, Mohsen, et al.
Veröffentlicht: (2023)

Comparative Analysis of Segment Anything Model and U‐Net for Breast Tumor Detection in Ultrasound and Mammography Images
von: Mohsen Ahmadi, et al.
Veröffentlicht: (2025)

Segment Anything Model for Brain Tumor Segmentation
von: Zhang, Peng, et al.
Veröffentlicht: (2023)

Topology-Driven Fusion of nnU-Net and MedNeXt for Accurate Brain Tumor Segmentation on Sub-Saharan Africa Dataset
von: Bohara, Prabin, et al.
Veröffentlicht: (2026)

Benchmarking the Reproducibility of Brain MRI Segmentation Across Scanners and Time
von: Kondrateva, Ekaterina, et al.
Veröffentlicht: (2025)

Segmentation of Kidney Tumors in CT Images Based on the RAScU ‐Net Network
von: Yuheng Pan, et al.
Veröffentlicht: (2025)

SegGuidedNet: Sub-Region-Aware Attention Supervision for Interpretable Brain Tumor Segmentation
von: Maqsood, Hasaan, et al.
Veröffentlicht: (2026)

Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment
von: Schaffer, T., et al.
Veröffentlicht: (2026)

Language Policy in Education and the Role of English in India: From Library Language to Language of Empowerment
von: Meganathan, Ramanujam
Veröffentlicht: (2011)

Reproducibility Challenges in Brain PET Data Analysis
von: Maryam Naseri, et al.
Veröffentlicht: (2024)

Reproducibility Challenges in Brain PET Data Analysis
von: Maryam Naseri, et al.
Veröffentlicht: (2024)

Segmentation of Brain Tumor Resections in Intraoperative 3D Ultrasound Images Using a Semisupervised Cross nnSU‐Net
von: Yuhua Li, et al.
Veröffentlicht: (2025)

Parameter-efficient Fine-tuning for improved Convolutional Baseline for Brain Tumor Segmentation in Sub-Saharan Africa Adult Glioma Dataset
von: Adhikari, Bijay, et al.
Veröffentlicht: (2024)

Social Equity Based Optimal Power Flow Framework to Hedge Against Price Events
von: Viththarachchige, Sachinth, et al.
Veröffentlicht: (2024)

Adapting Segment Anything Model for 3D Brain Tumor Segmentation With Missing Modalities
von: Xiaoliang Lei, et al.
Veröffentlicht: (2024)

DMCIE: Diffusion Model with Concatenation of Inputs and Errors to Improve the Accuracy of the Segmentation of Brain Tumors in MRI Images
von: Yavari, Sara, et al.
Veröffentlicht: (2025)

Arabic TTS with FastPitch: Reproducible Baselines, Adversarial Training, and Oversmoothing Analysis
von: Nippert, Lars
Veröffentlicht: (2025)