論文の概要: An anatomically-informed 3D CNN for brain aneurysm classification with weak labels

• arxiv url: http://arxiv.org/abs/2012.08645v1
• Date: Fri, 27 Nov 2020 08:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 01:55:09.743418
• Title: An anatomically-informed 3D CNN for brain aneurysm classification with weak labels
• Title（参考訳）: 弱いラベルを持つ脳動脈瘤分類のための解剖学的インフォームド3D CNN
• Authors: Tommaso Di Noto, Guillaume Marie, S\'ebastien Tourbier, Yasser Alem\'an-G\'omez, Guillaume Saliou, Meritxell Bach Cuadra, Patric Hagmann, Jonas Richiardi
• Abstract要約: 弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。 当社のアプローチは,データセット生成の非自明な課題に端を発しています。 本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
• 参考スコア（独自算出の注目度）: 0.2010294990327175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A commonly adopted approach to carry out detection tasks in medical imaging is to rely on an initial segmentation. However, this approach strongly depends on voxel-wise annotations which are repetitive and time-consuming to draw for medical experts. An interesting alternative to voxel-wise masks are so-called "weak" labels: these can either be coarse or oversized annotations that are less precise, but noticeably faster to create. In this work, we address the task of brain aneurysm detection as a patch-wise binary classification with weak labels, in contrast to related studies that rather use supervised segmentation methods and voxel-wise delineations. Our approach comes with the non-trivial challenge of the data set creation: as for most focal diseases, anomalous patches (with aneurysm) are outnumbered by those showing no anomaly, and the two classes usually have different spatial distributions. To tackle this frequent scenario of inherently imbalanced, spatially skewed data sets, we propose a novel, anatomically-driven approach by using a multi-scale and multi-input 3D Convolutional Neural Network (CNN). We apply our model to 214 subjects (83 patients, 131 controls) who underwent Time-Of-Flight Magnetic Resonance Angiography (TOF-MRA) and presented a total of 111 unruptured cerebral aneurysms. We compare two strategies for negative patch sampling that have an increasing level of difficulty for the network and we show how this choice can strongly affect the results. To assess whether the added spatial information helps improving performances, we compare our anatomically-informed CNN with a baseline, spatially-agnostic CNN. When considering the more realistic and challenging scenario including vessel-like negative patches, the former model attains the highest classification results (accuracy$\simeq$95\%, AUROC$\simeq$0.95, AUPR$\simeq$0.71), thus outperforming the baseline.
• Abstract（参考訳）: 医療画像における検出タスクを実行するための一般的なアプローチは、初期セグメンテーションに依存することである。 しかし、このアプローチは、医療専門家が描くのに反復的かつ時間のかかるvoxel-wiseアノテーションに強く依存している。 ボクセルのマスクに代わる興味深い選択肢は、いわゆる「弱」ラベルである。これらは粗いアノテーションか、より正確ではないが、作成が著しく高速な過大なアノテーションである。 本研究は,脳動脈瘤検出の課題を,教師付きセグメンテーション法やボクセルワイドデラインを用いた関連研究とは対照的に,弱いラベルを用いたパッチワイドバイナリ分類として扱う。 我々のアプローチは、ほとんどの焦点疾患と同様に、異常なパッチ(大動脈瘤を含む)は異常のないものよりも多く、通常2つのクラスは異なる空間分布を持つという、データセット作成の非自明な課題に起因している。 そこで本研究では,マルチスケール・マルチインプット・3D畳み込みニューラルネットワーク(CNN)を用いて,非バランスで空間的に歪んだデータセットの頻繁なシナリオに対処する。 今回我々は,tof-mra(time-of-flight magnetic resonance angiography)を施行した214名 (83名, 131名) の脳動脈瘤の111例を経験した。 我々は,ネットワークの難易度が増大する負のパッチサンプリングに対する2つの戦略を比較し,この選択が結果にどのように影響するかを示す。 付加された空間情報が性能向上に寄与するかどうかを評価するために, 解剖学的にインフォームドされたCNNと, ベースライン, 空間非依存のCNNを比較した。 容器のような負のパッチを含むより現実的で挑戦的なシナリオを考えると、前者は最も高い分類結果(精度$\simeq$95\%, AUROC$\simeq$0.95, AUPR$\simeq$0.71)を得た。

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)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• 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)
• Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images [0.2578242050187029]
  多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。 今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。 著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:37:43Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• 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)
• Improving 3D convolutional neural network comprehensibility via interactive visualization of relevance maps: Evaluation in Alzheimer's disease [0.8031935951075242]
  畳み込みニューラルネットワーク(CNN)は、磁気共鳴イメージング(MRI)スキャンに基づいてアルツハイマー病(AD)認知症を検出する高い診断精度を実現します。 この理由の1つは、モデル理解性の欠如である。 より精度の高いモデルは、事前知識によって事前に定義された差別的脳領域にも依存するかどうかを検討した。
  論文  参考訳（メタデータ） (2020-12-18T15:16:50Z)
• Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and Other Tasks [0.1160208922584163]
  我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。 ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
  論文  参考訳（メタデータ） (2020-02-14T17:28:16Z)

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。