論文の概要: An augmentation strategy to mimic multi-scanner variability in MRI
- arxiv url: http://arxiv.org/abs/2103.12595v1
- Date: Tue, 23 Mar 2021 14:49:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 20:22:02.206012
- Title: An augmentation strategy to mimic multi-scanner variability in MRI
- Title(参考訳): MRIにおけるマルチスキャナ変動を模倣する拡張戦略
- Authors: Maria Ines Meyer, Ezequiel de la Rosa, Nuno Barros, Roberto Paolella,
Koen Van Leemput and Diana M. Sima
- Abstract要約: ほとんどの公開脳MRIデータセットは、スキャナーとプロトコルの点で非常に均質です。
このようなデータから学習するモデルがマルチセンタデータやマルチスキャナデータに一般化することは困難です。
本研究では,実世界の臨床データにみられる強度とコントラストの差分を近似するために,新しいデータ拡張手法を提案する。
- 参考スコア(独自算出の注目度): 0.2839215671218125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most publicly available brain MRI datasets are very homogeneous in terms of
scanner and protocols, and it is difficult for models that learn from such data
to generalize to multi-center and multi-scanner data. We propose a novel data
augmentation approach with the aim of approximating the variability in terms of
intensities and contrasts present in real world clinical data. We use a
Gaussian Mixture Model based approach to change tissue intensities
individually, producing new contrasts while preserving anatomical information.
We train a deep learning model on a single scanner dataset and evaluate it on a
multi-center and multi-scanner dataset. The proposed approach improves the
generalization capability of the model to other scanners not present in the
training data.
- Abstract(参考訳): 一般に公開されているほとんどの脳MRIデータセットは、スキャナーとプロトコルの観点から非常に均一であり、そのようなデータから学習したモデルがマルチセンターおよびマルチスキャナーデータに一般化することは困難である。
本研究では,実世界の臨床データにみられる強度とコントラストの差分を近似するために,新しいデータ拡張手法を提案する。
ガウス混合モデルを用いて組織強度を個別に変化させ,解剖学的情報を保存しながら新たなコントラストを生成する。
我々は、単一のスキャナーデータセットでディープラーニングモデルをトレーニングし、マルチセンターおよびマルチスキャナーデータセットで評価する。
提案手法は,トレーニングデータに存在しない他のスキャナへのモデルの一般化能力を向上させる。
関連論文リスト
- Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - One for Multiple: Physics-informed Synthetic Data Boosts Generalizable
Deep Learning for Fast MRI Reconstruction [20.84830225817378]
Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。
本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。
PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
論文 参考訳(メタデータ) (2023-07-25T03:11:24Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging
Diverse Data for More Accurate Diagnosis [0.15776842283814416]
我々は「学習可能なシナジー」の新しい技術的アプローチを提案する。
我々のアプローチは容易に拡張可能であり、臨床ルーチンからのマルチモーダルデータ入力に自然に適応する。
臨床的に関連のある診断タスクにおいて、最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2022-12-18T20:43:37Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳(メタデータ) (2022-08-30T16:06:07Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳(メタデータ) (2020-01-16T04:49:33Z)
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。