論文の概要: Modelling brain lesion volume in patches with CNN-based Poisson
Regression
- arxiv url: http://arxiv.org/abs/2011.13927v1
- Date: Thu, 26 Nov 2020 21:11:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 12:26:59.804227
- Title: Modelling brain lesion volume in patches with CNN-based Poisson
Regression
- Title(参考訳): CNNベースのPoisson Regressionを用いたパッチの脳病変容積のモデル化
- Authors: Kevin Raina
- Abstract要約: 本研究では,磁気共鳴(MR)画像から予め定義されたパッチサイズにおける病変ボクセル数を推定するために,効率的な計算コストの高いCNNを実装した。
ISLES2015 (SISS) データを用いて, 原像から病変の体積を推定することにより, 86%のサンプルパッチに対して, 病変像をより大きい病変量で正確に同定した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring the progression of lesions is important for clinical response.
Summary statistics such as lesion volume are objective and easy to interpret,
which can help clinicians assess lesion growth or decay. CNNs are commonly used
in medical image segmentation for their ability to produce useful features
within large contexts and their associated efficient iterative patch-based
training. Many CNN architectures require hundreds of thousands parameters to
yield a good segmentation. In this work, an efficient, computationally
inexpensive CNN is implemented to estimate the number of lesion voxels in a
predefined patch size from magnetic resonance (MR) images. The output of the
CNN is interpreted as the conditional Poisson parameter over the patch,
allowing standard mini-batch gradient descent to be employed. The ISLES2015
(SISS) data is used to train and evaluate the model, which by estimating lesion
volume from raw features, accurately identified the lesion image with the
larger lesion volume for 86% of paired sample patches. An argument for the
development and use of estimating lesion volumes to also aid in model selection
for segmentation is made.
- Abstract(参考訳): 臨床反応には病変進展のモニタリングが重要である。
病変の体積などの統計は客観的で解釈が容易であり、臨床医が病変の成長や崩壊を評価するのに役立つ。
CNNは医療画像のセグメンテーションにおいて、大きなコンテキスト内で有用な特徴とそれに関連する効率的な反復的パッチベースのトレーニングを生成する能力のために一般的に使用されている。
多くのCNNアーキテクチャは、優れたセグメンテーションを得るために数十万のパラメータを必要とする。
本研究では,磁気共鳴(MR)画像から予め定義されたパッチサイズにおける病変ボクセル数を推定するために,効率的な計算コストの高いCNNを実装した。
CNNの出力はパッチ上の条件付きポアソンパラメータとして解釈され、標準のミニバッチ勾配勾配を用いることができる。
isles2015 (siss) データは, 生の特徴量から病変容積を推定することにより, 病変容積が大きい病変像を86%のペア標本パッチで正確に同定し, モデルを訓練し, 評価する。
セグメンテーションのためのモデル選択を支援するために, 病変量を推定する手法の開発と利用について論じる。
関連論文リスト
- Convolutional neural networks for valid and efficient causal inference [1.5469452301122177]
畳み込みニューラルネットワーク(CNN)は機械学習アプリケーションで成功している。
治療における平均因果効果の半パラメトリック推定におけるニュアンスモデルへのCNNの適用を検討する。
スウェーデン全人口を対象としたデータを用いて,早期退職が入院に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2023-01-27T14:16:55Z) - Investigating certain choices of CNN configurations for brain lesion
segmentation [5.148195106469231]
深層学習モデル、特にCNNは、脳腫瘍セグメンテーションを含む医療画像解析の多くの応用において、選択の方法論となっている。
我々はMRIを用いた脳腫瘍セグメント化の特定の課題に対するCNNモデルの主設計側面について検討した。
論文 参考訳(メタデータ) (2022-12-02T15:24:44Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - An Analysis of the Influence of Transfer Learning When Measuring the
Tortuosity of Blood Vessels [0.7646713951724011]
畳み込みニューラルネットワーク(CNN)は血管のセグメンテーションに関して優れた結果をもたらすことが示されている。
しかし、事前トレーニングされたCNNが、トレーニングされていないデータセットに適用した場合、ダウンストリームタスクに対して堅牢で偏見のない結果を提供できるかどうかはまだ不明だ。
我々は,データセット上のスクラッチからトレーニングしたCNNが取得したトルチューシティ値が,異なるトルチューシティ統計を持つデータセット上で事前学習した微調整ネットワークのものと一致しないことを示す。
論文 参考訳(メタデータ) (2021-11-19T14:55:52Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Statistical inference of the inter-sample Dice distribution for
discriminative CNN brain lesion segmentation models [0.0]
識別畳み込みニューラルネットワーク(CNN)は多くの脳病変セグメンテーションタスクでよく機能している。
識別的CNNのセグメンテーションサンプリングは、訓練されたモデルの堅牢性を評価するために使用される。
厳格な信頼に基づく決定ルールが提案され、特定の患者に対してCNNモデルを拒絶するか受け入れるかが決定される。
論文 参考訳(メタデータ) (2020-12-04T18:18:24Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z) - Deep Interactive Learning: An Efficient Labeling Approach for Deep
Learning-Based Osteosarcoma Treatment Response Assessment [1.5551044212347103]
畳み込みニューラルネットワーク(CNN)は、骨肉腫スライド画像上の生存可能な腫瘍と壊死性腫瘍の自動分割に使用できる。
教師あり学習のボトルネックの1つは、トレーニングに大量の正確なアノテーションが必要であることである。
本稿では,ディープ・インタラクティブ・ラーニング(DIaL)をCNNの学習における効果的なラベリング手法として記述する。
論文 参考訳(メタデータ) (2020-07-02T20:46:53Z)
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。