論文の概要: Recognition and standardization of cardiac MRI orientation via multi-tasking learning and deep neural networks

• arxiv url: http://arxiv.org/abs/2011.08761v1
• Date: Tue, 17 Nov 2020 16:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 17:32:36.037527
• Title: Recognition and standardization of cardiac MRI orientation via multi-tasking learning and deep neural networks
• Title（参考訳）: マルチタスク学習とディープニューラルネットワークによる心臓MRI方位の認識と標準化
• Authors: Ke Zhang and Xiahai Zhuang
• Abstract要約: 心臓MRIにおける画像指向性の問題について検討し、深部ニューラルネットワークによる認識と標準化の方向性を分類する枠組みを提案する。 本手法では,心的セグメンテーションと向き認識の両タスクを同時に行うマルチタスク戦略を用いる。 我々は,MRIの多重列とモーダル性に対して,単一のモーダルから複数のモーダルへモデルを適用するトランスファー学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 16.188681108101196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study the problem of imaging orientation in cardiac MRI, and propose a framework to categorize the orientation for recognition and standardization via deep neural networks. The method uses a new multi-tasking strategy, where both the tasks of cardiac segmentation and orientation recognition are simultaneously achieved. For multiple sequences and modalities of MRI, we propose a transfer learning strategy, which adapts our proposed model from a single modality to multiple modalities. We embed the orientation recognition network in a Cardiac MRI Orientation Adjust Tool, i.e., CMRadjustNet. We implemented two versions of CMRadjustNet, including a user-interface (UI) software, and a command-line tool. The former version supports MRI image visualization, orientation prediction, adjustment, and storage operations; and the latter version enables the batch operations. The source code, neural network models and tools have been released and open via https://zmiclab.github.io/projects.html.
• Abstract（参考訳）: 本稿では,心臓MRIにおける画像指向性の問題について検討し,深部ニューラルネットワークによる認識と標準化の方向性を分類する枠組みを提案する。 この方法は、心臓のセグメンテーションと方向認識の両方を同時に達成する、新しいマルチタスク戦略を用いる。 我々は,MRIの多重列とモーダル性に対して,単一のモーダルから複数のモーダルへモデルを適用するトランスファー学習戦略を提案する。 我々は、CMRadjustNet(Cardiac MRI Orientation Adjust Tool)に向き認識ネットワークを組み込む。 ユーザインタフェース(UI)ソフトウェアとコマンドラインツールを含む,CMRadjustNetの2つのバージョンを実装した。 前バージョンはMRI画像の可視化、方向予測、調整、ストレージ操作をサポートし、後者バージョンはバッチ操作を可能にする。 ソースコード、ニューラルネットワークモデル、ツールがhttps://zmiclab.github.io/projects.htmlで公開されている。

関連論文リスト

• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Cardiac MRI Orientation Recognition and Standardization using Deep Neural Networks [0.0]
  本稿では,深部ニューラルネットワークを用いて心臓MRI画像の向きを分類・標準化する手法を提案する。 我々は,bSSFP,T2,LGEを含む様々なモードのCMR画像について包括的実験を行った。 検証精度は100.0%,100.0%,99.4%であった。
  論文  参考訳（メタデータ） (2023-07-31T00:01:49Z)
• BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP for Generic Natural Visual Stimulus Decoding [51.911473457195555]
  BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。 脳の活動、画像、およびテキストの間のモダリティギャップを埋める。 BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
  論文  参考訳（メタデータ） (2023-02-25T03:28:54Z)
• Orientation recognition and correction of Cardiac MRI with deep neural network [0.0]
  本稿では,心臓MRI画像の向き補正の問題について検討し,深部ニューラルネットワークによる向き認識の枠組みを提案する。 マルチモダリティMRIでは,提案したモデルを単一モダリティから多モダリティへ変換するトランスファー学習戦略を導入する。 提案するネットワークを2次元DICOMおよび3次元NIFTI画像に配向補正を実装可能な配向補正コマンドラインツールに組み込む。
  論文  参考訳（メタデータ） (2022-11-21T10:37:50Z)
• Recognition of Cardiac MRI Orientation via Deep Neural Networks and a Method to Improve Prediction Accuracy [0.0]
  ほとんどの医療画像処理タスクでは、画像の向きが計算結果に影響を及ぼす。 心臓MRIにおける方向認識の問題とディープニューラルネットワークを用いてこの問題を解決する。
  論文  参考訳（メタデータ） (2022-11-14T03:35:15Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Deep Learning-based Type Identification of Volumetric MRI Sequences [5.407839873345339]
  MRI配列の標準化されていない命名は、自動システムでは識別が困難である。 本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。 我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
  論文  参考訳（メタデータ） (2021-06-06T18:34:47Z)
• Rotation-Equivariant Deep Learning for Diffusion MRI [49.321304988619865]
  畳み込みネットワークは成功しているが、最近は回転や翻訳で等価である新しいニューラルネットワークによってパフォーマンスが上がっている。 ここでは、6次元拡散MRIデータに一般化し、画像空間における3次元ロト変換と一致する3次元回転を$q$-スペースで保証する。 提案するニューラルネットワークは,非回転同変深層学習と比較して,より優れた結果を得るとともに,トレーニングのためのスキャンを少なくする。
  論文  参考訳（メタデータ） (2021-02-13T15:18:34Z)

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。