論文の概要: Assessing Lesion Segmentation Bias of Neural Networks on Motion
Corrupted Brain MRI
- arxiv url: http://arxiv.org/abs/2010.06027v1
- Date: Mon, 12 Oct 2020 21:06:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 06:33:15.198392
- Title: Assessing Lesion Segmentation Bias of Neural Networks on Motion
Corrupted Brain MRI
- Title(参考訳): 運動破壊脳MRIにおけるニューラルネットワークの病変分割バイアスの評価
- Authors: Tejas Sudharshan Mathai, Yi Wang, Nathan Cross
- Abstract要約: 病変分割タスクに係わるニューラルネットワークの性能に、異なるレベルの運動アーティファクトが与える影響を定量化する。
この結果から,カリキュラム学習を用いて学習したネットワークは,異なるレベルの運動アーティファクトの補償に有効であることが示唆された。
- 参考スコア(独自算出の注目度): 3.9694334747397484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patient motion during the magnetic resonance imaging (MRI) acquisition
process results in motion artifacts, which limits the ability of radiologists
to provide a quantitative assessment of a condition visualized. Often times,
radiologists either "see through" the artifacts with reduced diagnostic
confidence, or the MR scans are rejected and patients are asked to be recalled
and re-scanned. Presently, there are many published approaches that focus on
MRI artifact detection and correction. However, the key question of the bias
exhibited by these algorithms on motion corrupted MRI images is still
unanswered. In this paper, we seek to quantify the bias in terms of the impact
that different levels of motion artifacts have on the performance of neural
networks engaged in a lesion segmentation task. Additionally, we explore the
effect of a different learning strategy, curriculum learning, on the
segmentation performance. Our results suggest that a network trained using
curriculum learning is effective at compensating for different levels of motion
artifacts, and improved the segmentation performance by ~9%-15% (p < 0.05) when
compared against a conventional shuffled learning strategy on the same motion
data. Within each motion category, it either improved or maintained the dice
score. To the best of our knowledge, we are the first to quantitatively assess
the segmentation bias on various levels of motion artifacts present in a brain
MRI image.
- Abstract(参考訳): mri取得過程における患者の運動は運動アーチファクトを生じさせ、放射線科医が可視化された状態の定量的評価を提供する能力を制限する。
しばしば、放射線技師は診断の信頼性を低下させたアーティファクトを「見る」か、MRスキャンを拒否し、患者にリコールと再スキャンを依頼する。
現在、MRIアーチファクトの検出と修正に焦点を当てた多くのアプローチが公開されている。
しかし、これらのアルゴリズムがMRI画像に示すバイアスに関する重要な疑問は、まだ答えられていない。
本稿では,運動アーチファクトの異なるレベルが,病変分節作業に係わるニューラルネットワークの性能に与える影響について,バイアスを定量化することを目的とした。
さらに,異なる学習戦略,カリキュラム学習がセグメンテーション性能に及ぼす影響についても検討する。
この結果から,カリキュラム学習を用いて学習したネットワークは,異なるレベルの動作アーティファクトの補償に有効であることが示唆され,同じ動作データ上で従来のシャッフル学習戦略と比較した場合のセグメンテーション性能が約9%~15%向上した。
各動作カテゴリでは、ダイススコアを改善したり維持したりした。
私たちの知る限りでは、脳mri画像に存在する様々なレベルの運動アーチファクトのセグメンテーションバイアスを定量的に評価する最初の方法です。
関連論文リスト
- Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳(メタデータ) (2024-12-10T15:25:18Z) - IM-MoCo: Self-supervised MRI Motion Correction using Motion-Guided Implicit Neural Representations [2.2265038612930663]
磁気共鳴イメージング(MRI)における運動アーティファクトは、比較的長い取得時間によって生じる。
従来の動き補正法は、しばしば激しい動きに対処できず、歪んだり信頼性の低い結果をもたらす。
Inlicit Neural Representation (INR) を利用したインスタンスワイド動作補正パイプラインを提案する。
本手法は, 動作不良画像と比較して, 少なくとも1.5ドル以上の精度で分類結果を改善する。
論文 参考訳(メタデータ) (2024-07-03T10:14:33Z) - Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
運動は臨床MRIの約30%に存在していると推定されている。
深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。
画像と正しい動きを同時に高速化する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-05-28T02:16:35Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - 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) - Estimating Head Motion from MR-Images [0.0]
頭部運動は磁気共鳴画像(MRI)解析の完全な共同創設者である。
本稿では,T1重み付き(T1w),T2重み付き(T2w)およびFLAIR画像から直接,走査内頭部の動きを予測する深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-02-28T11:03:08Z) - 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) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳(メタデータ) (2020-06-24T15:25:11Z) - Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural
Network [18.433956246011466]
本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。
実験の結果,2つの臨床検査データセットの画質が有意に向上した。
論文 参考訳(メタデータ) (2020-06-23T01:55:57Z) - Spinal Metastases Segmentation in MR Imaging using Deep Convolutional
Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。
U-Net様アーキテクチャを用いて40例の臨床検査を行った。
専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文 参考訳(メタデータ) (2020-01-08T10:59:31Z)
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。