論文の概要: Transfer Learning in Magnetic Resonance Brain Imaging: a Systematic Review

• arxiv url: http://arxiv.org/abs/2102.01530v1
• Date: Tue, 2 Feb 2021 14:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:15:04.056890
• Title: Transfer Learning in Magnetic Resonance Brain Imaging: a Systematic Review
• Title（参考訳）: 磁気共鳴脳イメージングにおける転送学習:システムレビュー
• Authors: Juan Miguel Valverde, Vandad Imani, Ali Abdollahzadeh, Riccardo De Feo, Mithilesh Prakash, Robert Ciszek, Jussi Tohka
• Abstract要約: MR脳画像にトランスファーラーニングを適用した論文を体系的に検索した。 最も頻繁な応用は認知症関連分類タスクと脳腫瘍のセグメンテーションであった。 脳MRIにおける転写学習への関心が高まっている。
• 参考スコア（独自算出の注目度）: 0.3518016233072556
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transfer learning refers to machine learning techniques that focus on acquiring knowledge from related tasks to improve generalization in the tasks of interest. In MRI, transfer learning is important for developing strategies that address the variation in MR images. Additionally, transfer learning is beneficial to re-utilize machine learning models that were trained to solve related tasks to the task of interest. Our goal is to identify research directions, gaps of knowledge, applications, and widely used strategies among the transfer learning approaches applied in MR brain imaging. We performed a systematic literature search for articles that applied transfer learning to MR brain imaging. We screened 433 studies and we categorized and extracted relevant information, including task type, application, and machine learning methods. Furthermore, we closely examined brain MRI-specific transfer learning approaches and other methods that tackled privacy, unseen target domains, and unlabeled data. We found 129 articles that applied transfer learning to brain MRI tasks. The most frequent applications were dementia related classification tasks and brain tumor segmentation. A majority of articles utilized transfer learning on convolutional neural networks (CNNs). Only few approaches were clearly brain MRI specific, considered privacy issues, unseen target domains or unlabeled data. We proposed a new categorization to group specific, widely-used approaches. There is an increasing interest in transfer learning within brain MRI. Public datasets have contributed to the popularity of Alzheimer's diagnostics/prognostics and tumor segmentation. Likewise, the availability of pretrained CNNs has promoted their utilization. Finally, the majority of the surveyed studies did not examine in detail the interpretation of their strategies after applying transfer learning, and did not compare to other approaches.
• Abstract（参考訳）: 転送学習は、関心のあるタスクの一般化を改善するために、関連するタスクから知識を取得することに焦点を当てた機械学習技術である。 MRIでは、移動学習はMR画像の変動に対処する戦略を開発する上で重要である。 さらに、転送学習は、関心のあるタスクに関連するタスクを解決するために訓練された機械学習モデルを再利用するのに役立つ。 研究の方向性,知識のギャップ,応用,そしてmr脳イメージングに応用されるトランスファー学習アプローチの中で広く使われる戦略を特定することを目的としています。 MR脳イメージングにトランスファー学習を適用した記事の系統的文献探索を行った。 433の研究をスクリーニングし,タスクタイプ,アプリケーション,機械学習手法などの関連情報を分類,抽出した。 さらに、プライバシ、未確認ターゲットドメイン、ラベルなしデータに対処する脳MRI固有の転写学習アプローチや他の手法を精査した。 脳mriタスクに転送学習を応用した記事は129件あった。 最も頻繁な応用は認知症関連分類タスクと脳腫瘍のセグメンテーションであった。 記事の大半は畳み込みニューラルネットワーク(CNN)で転送学習を使用した。 プライバシー問題、未確認のターゲットドメイン、ラベルなしデータなど、明らかにMRI特有のアプローチはごくわずかだった。 我々はグループ固有の広く使われるアプローチに対する新しい分類を提案した。 脳MRIにおけるトランスファー学習への関心が高まっている。 公共データセットは、アルツハイマーの診断/予後および腫瘍分割の人気に貢献している。 同様に、事前訓練されたCNNの利用も促進されている。 最後に、調査研究の大半は、転校学習を施した後の戦略の解釈を詳細に検討せず、他のアプローチと比較しなかった。

関連論文リスト

• Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
  脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。 私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
  論文  参考訳（メタデータ） (2024-10-25T21:56:23Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Brain Tumor Detection Using Deep Learning Approaches [0.0]
  本稿では,脳腫瘍の同定における深層学習,特にResNet50の利用について概説する。 本研究では,VGG16,VGG19,DenseNet121,ResNet50,YOLOV4の5つの伝達学習モデルを用いて,ResNet50が最高の,あるいは最も高い精度の99.54%を提供する。
  論文  参考訳（メタデータ） (2023-09-21T15:59:06Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Learning to Learn Unlearned Feature for Brain Tumor Segmentation [13.402170359958752]
  そこで本研究では,脳腫瘍の分類を微調整するアルゴリズムを提案し,少数のデータサンプルを必要とせず,ネットワークが元のタスクを忘れないようにする。 本稿では, 高次グリオーマから脳転移への転移学習手法を示し, 提案アルゴリズムがグリオーマと脳転移ドメインのバランスのとれたパラメータを数ステップで達成できることを実証する。
  論文  参考訳（メタデータ） (2023-05-13T05:26:25Z)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)
• Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
  iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。 執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。 私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
  論文  参考訳（メタデータ） (2020-07-04T13:39:48Z)
• Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
  グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。 近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。 本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
  論文  参考訳（メタデータ） (2019-12-28T12:45:34Z)

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。