論文の概要: Deep Learning for Musculoskeletal Image Analysis

• arxiv url: http://arxiv.org/abs/2003.00541v1
• Date: Sun, 1 Mar 2020 18:13:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 12:55:11.801006
• Title: Deep Learning for Musculoskeletal Image Analysis
• Title（参考訳）: 筋骨格画像解析のための深層学習
• Authors: Ismail Irmakci, Syed Muhammad Anwar, Drew A. Torigian, and Ulas Bagci
• Abstract要約: 本研究では,機械学習,特にディープラーニングの手法を用いて,MRIスキャンの迅速かつ正確な画像解析を行う方法について述べる。 メニスカスおよび前十字靭帯断裂を含む各種異常の機械学習分類について検討した。 広く用いられている畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを用いて,膝の異常分類性能を比較検討した。
• 参考スコア（独自算出の注目度）: 5.271212551436945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The diagnosis, prognosis, and treatment of patients with musculoskeletal (MSK) disorders require radiology imaging (using computed tomography, magnetic resonance imaging(MRI), and ultrasound) and their precise analysis by expert radiologists. Radiology scans can also help assessment of metabolic health, aging, and diabetes. This study presents how machinelearning, specifically deep learning methods, can be used for rapidand accurate image analysis of MRI scans, an unmet clinicalneed in MSK radiology. As a challenging example, we focus on automatic analysis of knee images from MRI scans and study machine learning classification of various abnormalities including meniscus and anterior cruciate ligament tears. Using widely used convolutional neural network (CNN) based architectures, we comparatively evaluated the knee abnormality classification performances of different neural network architectures under limited imaging data regime and compared single and multi-view imaging when classifying the abnormalities. Promising results indicated the potential use of multi-view deep learning based classification of MSK abnormalities in routine clinical assessment.
• Abstract（参考訳）: 筋骨格障害(MSK)患者の診断、予後、治療には、放射線画像(CT、MRI、超音波)と専門医による正確な分析が必要である。 放射線検査は代謝の健康、老化、糖尿病の評価にも役立つ。 本研究は,MSK放射線学における臨床研究であるMRIスキャンの迅速かつ正確な画像解析に,機械学習,特に深層学習法がいかに使用できるかを示す。 課題の一つとして,MRIスキャンによる膝画像の自動解析,メニスカス,前十字靭帯断裂などの異常の機械学習分類について検討した。 広範に使用されている畳み込みニューラルネットワーク(CNN)をベースとしたアーキテクチャを用いて、限られた画像データ構造下で異なるニューラルネットワークアーキテクチャの膝異常分類性能を比較検討した。 有望な結果は,日常臨床評価における多視点深層学習に基づくmsk異常の分類の可能性を示した。

関連論文リスト

• Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
  脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。 提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。 19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
  論文  参考訳（メタデータ） (2024-09-05T19:52:09Z)
• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Brain tumor multi classification and segmentation in MRI images using deep learning [3.1248717814228923]
  この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。 セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
  論文  参考訳（メタデータ） (2023-04-20T01:32:55Z)
• 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)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image Labels for Quantitative Clinical Evaluation [5.37260403457093]
  定量的膝関節MRI(qMRI)画像の収集であるMulti-Task Evaluationデータセットを用いて,Stanford Knee MRIを提案する。 このデータセットは、匿名患者MRIスキャンの25,000スライス(155例)の生データ測定から成り立っている。 我々は、画像再構成や高密度画像ラベルとともに、MRI再構成、セグメンテーション、検出技術から抽出されたqMRIバイオマーカー推定の品質を測定するために、qMRIパラメータマップを使用するためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-03-14T02:40:40Z)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。