論文の概要: Leveraging 3D Information in Unsupervised Brain MRI Segmentation
- arxiv url: http://arxiv.org/abs/2101.10674v1
- Date: Tue, 26 Jan 2021 10:04:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 11:08:48.482247
- Title: Leveraging 3D Information in Unsupervised Brain MRI Segmentation
- Title(参考訳): 無監視脳MRIにおける3次元情報活用
- Authors: Benjamin Lambert, Maxime Louis, Senan Doyle, Florence Forbes, Michel
Dojat, Alan Tucholka
- Abstract要約: Unsupervised Anomaly Detection (UAD) 法を提案し,Variational Autoencoder (VAE) を用いて学習した健常モデルの異常を検出する。
本稿では,UADを3D方式で実行し,2Dと3DのVAEを比較することを提案する。
サイドコントリビューションとして、堅牢なトレーニングを保証する新しい損失機能を紹介します。
学習は、健康な脳MRIの多心性データセットを使用して行われ、白マター高輝度および腫瘍病変のセグメント化性能が推定される。
- 参考スコア(独自算出の注目度): 1.6148039130053087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic segmentation of brain abnormalities is challenging, as they vary
considerably from one pathology to another. Current methods are supervised and
require numerous annotated images for each pathology, a strenuous task. To
tackle anatomical variability, Unsupervised Anomaly Detection (UAD) methods are
proposed, detecting anomalies as outliers of a healthy model learned using a
Variational Autoencoder (VAE). Previous work on UAD adopted a 2D approach,
meaning that MRIs are processed as a collection of independent slices. Yet, it
does not fully exploit the spatial information contained in MRI. Here, we
propose to perform UAD in a 3D fashion and compare 2D and 3D VAEs. As a side
contribution, we present a new loss function guarantying a robust training.
Learning is performed using a multicentric dataset of healthy brain MRIs, and
segmentation performances are estimated on White-Matter Hyperintensities and
tumors lesions. Experiments demonstrate the interest of 3D methods which
outperform their 2D counterparts.
- Abstract(参考訳): ある病理から別の病理に大きく異なるため、脳の異常の自動分割は困難です。
現在の手法は教師付きであり、各病理に多数の注釈付き画像を必要とする。
解剖学的変異に対処するために, 変分オートエンコーダ(VAE)を用いて学習した健康モデルの異常を異常として検出する, Unsupervised Anomaly Detection (UAD)法を提案する。
UADに関するこれまでの研究は、2Dアプローチを採用しており、MRIは独立したスライスコレクションとして処理される。
しかし、MRIに含まれる空間情報を十分に活用するわけではない。
本稿では,UADを3D方式で実行し,2Dと3DのVAEを比較することを提案する。
サイドコントリビューションとして、堅牢なトレーニングを保証する新しい損失機能を紹介します。
学習は、健康な脳MRIの多心性データセットを使用して行われ、白マター高輝度および腫瘍病変のセグメント化性能が推定される。
実験は、彼らの2D手法よりも優れた3D手法の興味を示す。
関連論文リスト
- Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - 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) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳(メタデータ) (2022-09-20T11:58:23Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳(メタデータ) (2022-04-02T03:48:03Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-01-31T09:39:52Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳(メタデータ) (2021-09-14T09:17:27Z) - Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。
彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。
本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:21Z) - 3D Reasoning for Unsupervised Anomaly Detection in Pediatric WbMRI [3.8583005413310625]
3Dコンテキストを取り入れて全身MRIのボリュームを処理することは,異常を良質のものと区別する上で有益であることを示す。
また,小児検診における異常検出をさらに改善するために,患者特有の特徴を付加することが有用であることを示した。
論文 参考訳(メタデータ) (2021-03-24T21:37:01Z) - Planar 3D Transfer Learning for End to End Unimodal MRI Unbalanced Data
Segmentation [0.0]
本稿では,事前学習した2次元畳み込みニューラルネットワーク重みを平面3次元カーネルにマッピングする手法を提案する。
提案手法は2次元VGG-16から転送されるエンコーダを備えた平面3Dres-u-netネットワークにより検証される。
論文 参考訳(メタデータ) (2020-11-23T17:11:50Z) - 3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。
提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。
開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
論文 参考訳(メタデータ) (2020-06-06T09:56:58Z)
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。