論文の概要: Simple statistical methods for unsupervised brain anomaly detection on
MRI are competitive to deep learning methods
- arxiv url: http://arxiv.org/abs/2011.12735v1
- Date: Wed, 25 Nov 2020 13:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:40:07.279903
- Title: Simple statistical methods for unsupervised brain anomaly detection on
MRI are competitive to deep learning methods
- Title（参考訳）: MRIにおける教師なし脳異常検出のための簡易統計的手法は深層学習法と競合する
- Authors: Victor Saase, Holger Wenz, Thomas Ganslandt, Christoph Groden,
M\'at\'e E. Maros
- Abstract要約: 磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。
深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望であることを示す。
そこで本研究では, DL等価な3次元畳み込みオートエンコーダの性能を, 教師なしの病理診断において達成できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Statistical analysis of magnetic resonance imaging (MRI) can help
radiologists to detect pathologies that are otherwise likely to be missed. Deep
learning (DL) has shown promise in modeling complex spatial data for brain
anomaly detection. However, DL models have major deficiencies: they need large
amounts of high-quality training data, are difficult to design and train and
are sensitive to subtle changes in scanning protocols and hardware. Here, we
show that also simple statistical methods such as voxel-wise (baseline and
covariance) models and a linear projection method using spatial patterns can
achieve DL-equivalent (3D convolutional autoencoder) performance in
unsupervised pathology detection. All methods were trained (N=395) and compared
(N=44) on a novel, expert-curated multiparametric (8 sequences) head MRI
dataset of healthy and pathological cases, respectively. We show that these
simple methods can be more accurate in detecting small lesions and are
considerably easier to train and comprehend. The methods were quantitatively
compared using AUC and average precision and evaluated qualitatively on
clinical use cases comprising brain atrophy, tumors (small metastases) and
movement artefacts. Our results demonstrate that while DL methods may be
useful, they should show a sufficiently large performance improvement over
simpler methods to justify their usage. Thus, simple statistical methods should
provide the baseline for benchmarks. Source code and trained models are
available on GitHub (https://github.com/vsaase/simpleBAD).
- Abstract（参考訳）: 磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。
深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望である。
しかし、DLモデルは、大量の高品質なトレーニングデータを必要とし、設計とトレーニングが困難であり、スキャンプロトコルやハードウェアの微妙な変更に敏感である。
本稿では,voxel-wise (baseline and covariance)モデルや空間パターンを用いた線形投影法などの単純な統計手法により,教師なしの病理診断においてdl等価な(3次元畳み込みオートエンコーダ)性能が得られることを示す。
すべての方法(n=395)を訓練し, 健常例と病理例の頭部mriデータを用いて, (n=44) 比較を行った。
これらの簡単な手法は、小さな病変の検出においてより正確であり、訓練や理解が容易であることを示す。
この方法はAUCおよび平均精度を用いて定量的に比較し,脳萎縮,腫瘍(小転移)および運動人工物を含む臨床症例について質的に評価した。
以上の結果から,dl メソッドは有用であるが,より単純な方法よりも性能が大幅に向上し,利用を正当化できることを示した。
したがって、単純な統計手法はベンチマークのベースラインを提供するべきである。
ソースコードとトレーニングされたモデルはgithubで入手できる(https://github.com/vsaase/simplebad)。
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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳（メタデータ） (2022-06-02T07:57:17Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳（メタデータ） (2022-02-09T04:12:30Z) - 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) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Unsupervised anomaly detection in digital pathology using GANs [4.318555434063274]
本稿では,GANを用いた病理組織データにおける異常検出のための新しい教師なし学習手法を提案する。
医用画像に用いられている既存のGAN法と比較して,本手法は病理データの性能を大幅に改善する。
論文 参考訳（メタデータ） (2021-03-16T10:10:12Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A
Comparative Study [43.26668942258135]
脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ
これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。
概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
論文 参考訳（メタデータ） (2020-04-07T11:12:07Z)
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。