論文の概要: Prediction of MRI Hardware Failures based on Image Features using Time Series Classification

• arxiv url: http://arxiv.org/abs/2001.02127v1
• Date: Sun, 5 Jan 2020 11:25:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 07:41:39.919264
• Title: Prediction of MRI Hardware Failures based on Image Features using Time Series Classification
• Title（参考訳）: 時系列分類による画像特徴に基づくMRIハードウェア故障の予測
• Authors: Nadine Kuhnert, Lea Pfl\"uger, Andreas Maier
• Abstract要約: 磁気共鳴イメージング(MRI)で使用されるヘッド/ネックコイルの故障を,時間とともに収集された逐次データに基づく統計モデルを用いて予測することを目的とする。 画像の特徴がコイルの状態に依存するため、通常の範囲からのずれはすでに将来の故障を示唆している。
• 参考スコア（独自算出の注目度）: 8.889876750552615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Already before systems malfunction one has to know if hardware components will fail in near future in order to counteract in time. Thus, unplanned downtime is ought to be avoided. In medical imaging, maximizing the system's uptime is crucial for patients' health and healthcare provider's daily business. We aim to predict failures of Head/Neck coils used in Magnetic Resonance Imaging (MRI) by training a statistical model on sequential data collected over time. As image features depend on the coil's condition, their deviations from the normal range already hint to future failure. Thus, we used image features and their variation over time to predict coil damage. After comparison of different time series classification methods we found Long Short Term Memorys (LSTMs) to achieve the highest F-score of 86.43% and to tell with 98.33% accuracy if hardware should be replaced.
• Abstract（参考訳）: システムが機能不全になる前には、ハードウェアコンポーネントが近い将来失敗するかどうかを知らなければならない。 したがって、計画外のダウンタイムは避けるべきである。 医療画像では、システムのアップタイムを最大化することが患者の健康と医療提供者の日常業務に不可欠である。 磁気共鳴イメージング(MRI)で使用されるヘッド/ネックコイルの故障を,時間とともに収集された逐次データに基づく統計モデルを用いて予測することを目的とする。 画像の特徴はコイルの状態に依存するため、通常範囲からのずれは将来の故障を示唆している。 そこで,コイル損傷の予測には画像の特徴と時間的変化を用いた。 異なる時系列分類法を比較した結果、Long Short Term Memorys (LSTM) は86.43%の最高スコアを獲得し、ハードウェアを置き換えるべきかどうかを98.33%の精度で判断できることがわかった。

関連論文リスト

• 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)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• A Deep Learning Approach Using Masked Image Modeling for Reconstruction of Undersampled K-spaces [7.227671880690971]
  本研究では、FacebookのFastmriデータセットから、11161個の再構成MRIと膝関節MRI画像のk空間を利用する。 このモデルは,L1損失,勾配正規化,構造的類似性値を用いて評価した。 再構成されたk空間は、完全にサンプリングされたk空間のトレーニングと検証の両方において、99%以上の構造的類似性値を得た。
  論文  参考訳（メタデータ） (2022-08-24T12:27:54Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
  そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。 MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
  論文  参考訳（メタデータ） (2022-04-18T04:34:15Z)
• Development and Validation of a Novel Prognostic Model for Predicting AMD Progression Using Longitudinal Fundus Images [6.258161719849178]
  本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。 年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。 本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
  論文  参考訳（メタデータ） (2020-07-10T00:33:19Z)
• CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
  MPR画像における狭窄の重症度を同定する自動モデルを開発した。 このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。 狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2020-01-23T15:20:22Z)
• Prediction of MRI Hardware Failures based on Image Features using Ensemble Learning [8.889876750552615]
  本研究では,20チャンネルのヘッド/ネックコイルの故障を画像計測により予測することに焦点を当てた。 この問題を解決するために、我々は2つの異なるレベルのデータを使用する。1つのレベルはコイルチャネル毎に1次元の特徴を指し、そこで完全に接続されたニューラルネットワークが最高の性能を発揮することを発見した。 他のデータレベルは、全体のコイル状態を表す行列を使用し、異なるニューラルネットワークを供給します。
  論文  参考訳（メタデータ） (2020-01-05T11:21:28Z)

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。