論文の概要: Variational Autoencoders with a Structural Similarity Loss in Time of Flight MRAs

• arxiv url: http://arxiv.org/abs/2101.08052v1
• Date: Wed, 20 Jan 2021 10:13:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-22 06:47:18.795197
• Title: Variational Autoencoders with a Structural Similarity Loss in Time of Flight MRAs
• Title（参考訳）: 飛行MRAにおける構造的類似性損失を有する変分オートエンコーダ
• Authors: Kimberley M. Timmins, Irene C. van der Schaaf, Ynte M. Ruigrok, Birgitta K. Velthuis, Hugo J. Kuijf
• Abstract要約: 飛行時磁気共鳴血管造影(TOF-MRA)は脳動脈の可視化と解析を可能にする。 畳み込み畳み込みニューラルネットワークを用いた現在の異常検出は通常、最適化にボキセルワイズ平均誤差を使用する。 TOF-MRA再構築のための構造的類似度損失(SSIM)を有する可変オートエンコーダ(VAE)の最適化を提案する。
• 参考スコア（独自算出の注目度）: 0.07466390172678972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-of-Flight Magnetic Resonance Angiographs (TOF-MRAs) enable visualization and analysis of cerebral arteries. This analysis may indicate normal variation of the configuration of the cerebrovascular system or vessel abnormalities, such as aneurysms. A model would be useful to represent normal cerebrovascular structure and variabilities in a healthy population and to differentiate from abnormalities. Current anomaly detection using autoencoding convolutional neural networks usually use a voxelwise mean-error for optimization. We propose optimizing a variational-autoencoder (VAE) with structural similarity loss (SSIM) for TOF-MRA reconstruction. A patch-trained 2D fully-convolutional VAE was optimized for TOF-MRA reconstruction by comparing vessel segmentations of original and reconstructed MRAs. The method was trained and tested on two datasets: the IXI dataset, and a subset from the ADAM challenge. Both trained networks were tested on a dataset including subjects with aneurysms. We compared VAE optimization with L2-loss and SSIM-loss. Performance was evaluated between original and reconstructed MRAs using mean square error, mean-SSIM, peak-signal-to-noise-ratio and dice similarity index (DSI) of segmented vessels. The L2-optimized VAE outperforms SSIM, with improved reconstruction metrics and DSIs for both datasets. Optimization using SSIM performed best for visual image quality, but with discrepancy in quantitative reconstruction and vascular segmentation. The larger, more diverse IXI dataset had overall better performance. Reconstruction metrics, including SSIM, were lower for MRAs including aneurysms. A SSIM-optimized VAE improved the visual perceptive image quality of TOF-MRA reconstructions. A L2-optimized VAE performed best for TOF-MRA reconstruction, where the vascular segmentation is important. SSIM is a potential metric for anomaly detection of MRAs.
• Abstract（参考訳）: 飛行時磁気共鳴血管造影(TOF-MRA)は脳動脈の可視化と解析を可能にする。 この分析は脳血管系や動脈瘤などの血管異常の正常な変化を示す可能性がある。 モデルは正常な脳血管構造と健康な集団の変動を表現し、異常と区別するのに有用である。 自動符号化畳み込みニューラルネットワークを用いた現在の異常検出は通常、最適化にvoxelwise平均エラーを使用する。 toF-MRA再構成のための構造類似性損失(SSIM)を用いた変分オートコーダ(VAE)の最適化を提案する。 パッチをトレーニングした2D完全畳み込み型VAEをTOF-MRA再建に最適化した。 この方法は、IXIデータセットとADAMチャレンジのサブセットの2つのデータセットでトレーニングされ、テストされた。 両方のトレーニングされたネットワークは、動脈瘤患者を含むデータセット上でテストされた。 VAE最適化をL2-lossとSSIM-lossと比較した。 平均二乗誤差, 平均SSIM, ピーク信号-雑音比, ダイス類似度指数 (DSI) を用いて, 元のMRAと再建したMRAの性能評価を行った。 L2最適化されたVAEはSSIMよりも優れており、再構築メトリクスと両方のデータセットのDSIが改善されている。 SSIMを用いた最適化は, 画像品質に最適であったが, 定量的再構成と血管分節の相違が認められた。 より大きく、より多様なIXIデータセットは、全体的なパフォーマンスが向上した。 SSIMを含む再建指標は,大動脈瘤を含むMRAでは低値であった。 SSIMを最適化したVAEは、TOF-MRA再構成の視覚知覚画質を改善した。 血管セグメンテーションが重要であるTOF-MRA再建には,L2最適化VAEが有効であった。 SSIMは、MRAの異常検出の潜在的な指標である。

関連論文リスト

• Optimized two-stage AI-based Neural Decoding for Enhanced Visual Stimulus Reconstruction from fMRI Data [2.0851013563386247]
  本研究は、fMRI遅延空間表現を改善するための非線形ディープネットワークを提案し、次元性も同様に最適化する。 Natural Scenesデータセットの実験により、提案されたアーキテクチャは、最先端のモデルに関して、再構成された画像の構造的類似性を約2%改善した。 LDMのノイズ感度解析により,第1ステージの役割は,高い構造的類似性を有する刺激を予測するのに基本的であることが示された。
  論文  参考訳（メタデータ） (2024-12-17T16:42:55Z)
• Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
  自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。 本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。 提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
  論文  参考訳（メタデータ） (2024-11-19T21:42:57Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Switch EMA: A Free Lunch for Better Flatness and Sharpness [58.55452862747021]
  この研究は、一行の修正、すなわち、スイッチ(SEMA)と呼ばれる各エポック後のパラメータを元のモデルに切り替えることによって、EMAの完全なポテンシャルを明らかにする。 理論的および経験的両面から、SEMAはDNNが平坦性と鋭さのトレードオフを良くする一般化最適点に到達するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2024-02-14T15:28:42Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Towards an accurate and generalizable multiple sclerosis lesion segmentation model using self-ensembled lesion fusion [4.024932070294212]
  そこで我々は,よく知られたU-Netアーキテクチャを用いて,精度よく一般化可能なMS病変分割モデルを構築した。 新たな自己アンサンブル型病変融合戦略が提案され, 最高の性能を達成できただけでなく, 様々な自己アンサンブルパラメータの選択に対して頑健性を示した。
  論文  参考訳（メタデータ） (2023-12-03T17:08:10Z)
• SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。 ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。 本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
  論文  参考訳（メタデータ） (2023-02-21T18:16:20Z)
• RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional Network for Retinal OCT Fluid Segmentation [3.57686754209902]
  OCTガイド下治療には網膜液の定量化が必要である。 RetiFluidNetと呼ばれる新しい畳み込みニューラルアーキテクチャは、多クラス網膜流体セグメンテーションのために提案されている。 モデルは、テクスチャ、コンテキスト、エッジといった特徴の階層的な表現学習の恩恵を受ける。
  論文  参考訳（メタデータ） (2022-09-26T07:18:00Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• 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)
• Assessment of Data Consistency through Cascades of Independently Recurrent Inference Machines for fast and robust accelerated MRI reconstruction [0.0]
  データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。 本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。 E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
  論文  参考訳（メタデータ） (2021-11-30T15:34:30Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)

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。