論文の概要: Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study
- arxiv url: http://arxiv.org/abs/1912.11966v1
- Date: Fri, 27 Dec 2019 02:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 00:15:39.364941
- Title: Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study
- Title（参考訳）: 脳転移の深層学習におけるMRI入力データの処理 : 多施設共同研究
- Authors: Endre Gr{\o}vik, Darvin Yi, Michael Iv, Elizabeth Tong, Line Brennhaug
Nilsen, Anna Latysheva, Cathrine Saxhaug, Kari Dolven Jacobsen, {\AA}slaug
Helland, Kyrre Eeg Emblem, Daniel Rubin, Greg Zaharchuk
- Abstract要約: 深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
- 参考スコア（独自算出の注目度）: 1.4463443378902883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The purpose was to assess the clinical value of a novel DropOut model for
detecting and segmenting brain metastases, in which a neural network is trained
on four distinct MRI sequences using an input dropout layer, thus simulating
the scenario of missing MRI data by training on the full set and all possible
subsets of the input data. This retrospective, multi-center study, evaluated
165 patients with brain metastases. A deep learning based segmentation model
for automatic segmentation of brain metastases, named DropOut, was trained on
multi-sequence MRI from 100 patients, and validated/tested on 10/55 patients.
The segmentation results were compared with the performance of a
state-of-the-art DeepLabV3 model. The MR sequences in the training set included
pre- and post-gadolinium (Gd) T1-weighted 3D fast spin echo, post-Gd
T1-weighted inversion recovery (IR) prepped fast spoiled gradient echo, and 3D
fluid attenuated inversion recovery (FLAIR), whereas the test set did not
include the IR prepped image-series. The ground truth were established by
experienced neuroradiologists. The results were evaluated using precision,
recall, Dice score, and receiver operating characteristics (ROC) curve
statistics, while the Wilcoxon rank sum test was used to compare the
performance of the two neural networks. The area under the ROC curve (AUC),
averaged across all test cases, was 0.989+-0.029 for the DropOut model and
0.989+-0.023 for the DeepLabV3 model (p=0.62). The DropOut model showed a
significantly higher Dice score compared to the DeepLabV3 model (0.795+-0.105
vs. 0.774+-0.104, p=0.017), and a significantly lower average false positive
rate of 3.6/patient vs. 7.0/patient (p<0.001) using a 10mm3 lesion-size limit.
The DropOut model may facilitate accurate detection and segmentation of brain
metastases on a multi-center basis, even when the test cohort is missing MRI
input data.
- Abstract（参考訳）: 本研究の目的は,脳転移の検出と分節化のための新しいDropOutモデルの臨床的価値を評価することであり,入力ドロップアウト層を用いて4つのMRIシークエンスでニューラルネットワークをトレーニングすることにより,入力データの全セットと可能なサブセットをトレーニングすることで,欠落したMRIデータのシナリオをシミュレートすることであった。
脳転移165例を多施設共同研究により検討した。
深層学習に基づくDropOutという脳転移自動分類のためのセグメンテーションモデルが,100例のMRIで訓練され,10/55例で検証・検査された。
セグメンテーションの結果は最先端のDeepLabV3モデルの性能と比較された。
トレーニングセット内のmrシーケンスには,前および後ガドリニウム (gd) t1重み付き3d高速スピンエコー, ポストgd t1重み付きインバージョンリカバリ (ir) の高速重み付き勾配エコー, 3d流体減衰インバージョンリカバリ (flair) があったが, テストセットにはirプリッピング画像シリーズは含まれていない。
基礎的な真実は経験豊富な神経放射線学者によって確立された。
結果は精度,リコール,Diceスコア,レシーバ動作特性(ROC)曲線統計を用いて評価し,ウィルコクソンランク和試験を用いて2つのニューラルネットワークの性能を比較した。
ROC曲線 (AUC) では、DropOutモデルでは0.989+-0.029、DeepLabV3モデルでは0.989+-0.023であった(p=0.62)。
ドロップアウトモデルでは,deeplabv3モデル (0.795+-0.105 vs. 0.774+-0.104, p=0.017) と比較して有意に高いダイススコアを示した。
DropOutモデルは、MRI入力データがないテストコホートであっても、マルチセンターベースで脳転移の正確な検出とセグメンテーションを容易にする。
関連論文リスト
- Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release [1.738379704680519]
さまざまな被験者を対象に,ボリュームセグメンテーションラベルを用いた91個のMRI画像を収集した。
我々は3つの2次元U-NetモデルからなるMultiAxial Networkを開発した。
非脳構造を含む61の臨床MRIとトレーニングラベルのデータセットとともに、頭部MRIセグメントの最先端モデルをリリースする。
論文 参考訳（メタデータ） (2025-01-30T19:31:13Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。
本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文 参考訳（メタデータ） (2024-06-20T11:26:32Z) - Classification of Prostate Cancer in 3D Magnetic Resonance Imaging Data based on Convolutional Neural Networks [0.0]
前立腺癌は、世界中の男性の間で一般的に診断されるがん性疾患である。
CNNは、MRIシークエンスに悪性病変が含まれているかどうかを確実に分類する能力に基づいて評価される。
最高の結果はResNet3Dによって達成され、平均精度スコアは0.4583、AUC ROCスコアは0.6214となった。
論文 参考訳（メタデータ） (2024-04-16T13:18:02Z) - Artificial Intelligence in Fetal Resting-State Functional MRI Brain
Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models [1.2382905694337476]
本研究は、胎児脳fMRI, MRI(fMRI)における自動脳セグメンテーションのための人工知能(AI)の新たな応用を紹介した。
3D UNet、VNet、HighResNetの3つのAIモデルが採用された。
以上の結果から,胎児の安静時fMRI脳セグメンテーションにおける各種AIモデルの性能が明らかにされた。
論文 参考訳（メタデータ） (2023-11-17T19:57:05Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Detection of Large Vessel Occlusions using Deep Learning by Deforming
Vessel Tree Segmentations [5.408694811103598]
この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。
ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。
5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
論文 参考訳（メタデータ） (2021-12-03T09:07:29Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。