論文の概要: Differentiable Deconvolution for Improved Stroke Perfusion Analysis

• arxiv url: http://arxiv.org/abs/2103.17111v1
• Date: Wed, 31 Mar 2021 14:29:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 22:13:52.592560
• Title: Differentiable Deconvolution for Improved Stroke Perfusion Analysis
• Title（参考訳）: 改良ストローク灌流解析のための微分脱畳法
• Authors: Ezequiel de la Rosa, David Robben, Diana M. Sima, Jan S. Kirschke, Bjoern Menze
• Abstract要約: 動脈入力機能(AIF)は、それが選択されるべき方法と場所はまだ議論の余地があります。 最大コア病変分割性能に最適化されたAIF選択手法を提案する。 提案手法は,手動のアノテーションを使わずにAIFを生成することができ,したがって手動レーダの影響を回避できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perfusion imaging is the current gold standard for acute ischemic stroke analysis. It allows quantification of the salvageable and non-salvageable tissue regions (penumbra and core areas respectively). In clinical settings, the singular value decomposition (SVD) deconvolution is one of the most accepted and used approaches for generating interpretable and physically meaningful maps. Though this method has been widely validated in experimental and clinical settings, it might produce suboptimal results because the chosen inputs to the model cannot guarantee optimal performance. For the most critical input, the arterial input function (AIF), it is still controversial how and where it should be chosen even though the method is very sensitive to this input. In this work we propose an AIF selection approach that is optimized for maximal core lesion segmentation performance. The AIF is regressed by a neural network optimized through a differentiable SVD deconvolution, aiming to maximize core lesion segmentation agreement with ground truth data. To our knowledge, this is the first work exploiting a differentiable deconvolution model with neural networks. We show that our approach is able to generate AIFs without any manual annotation, and hence avoiding manual rater's influences. The method achieves manual expert performance in the ISLES18 dataset. We conclude that the methodology opens new possibilities for improving perfusion imaging quantification with deep neural networks.
• Abstract（参考訳）: 灌流画像は急性期脳梗塞解析の現在の金本位制である。 保存可能な組織領域(それぞれペナムブラとコア領域)の定量化を可能にする。 臨床環境では、特異値分解(SVD)デコンボリューションは、解釈可能で物理的に意味のある地図を生成するための最も受け入れられ、使用されるアプローチの1つである。 この方法は実験および臨床で広く検証されているが、モデルに選択された入力が最適性能を保証できないため、最適でない結果が得られる可能性がある。 最も重要な入力は、動脈入力関数(AIF)であり、この入力に非常に敏感であるにもかかわらず、どのように、どこで選択すべきかはいまだ議論の余地がある。 本研究では,最大コア病変セグメンテーション性能に最適化されたAIF選択手法を提案する。 AIFは、微分可能なSVDデコンボリューションによって最適化されたニューラルネットワークによって回帰され、基底真理データとのコア病変セグメンテーション合意を最大化する。 私たちの知る限り、これはニューラルネットワークで微分可能なデコンボリューションモデルを利用する最初の仕事です。 提案手法は,手動のアノテーションを使わずにAIFを生成することができ,したがって手動レーダの影響を回避できることを示す。 ISLES18データセットで手動のエキスパートパフォーマンスを実現する。 本手法は深部ニューラルネットワークを用いた灌流イメージング量子化の新たな可能性を開く。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Reduced Deep Convolutional Activation Features (R-DeCAF) in Histopathology Images to Improve the Classification Performance for Breast Cancer Diagnosis [0.0]
  乳がんは世界で2番目に多いがんである。 ディープ畳み込みニューラルネットワーク(CNN)は効果的なソリューションである。 事前訓練したCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
  論文  参考訳（メタデータ） (2023-01-05T06:53:46Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• AIFNet: Automatic Vascular Function Estimation for Perfusion Analysis Using Deep Learning [0.0]
  デコンボリューション法は、臨床的に解釈可能な灌流パラメータを得るために用いられる。 AIFNetは、血管機能を推定するための、完全自動でエンドツーエンドのトレーニング可能なディープラーニングアプローチである。 我々は、AIFNetは、臨床転移の可能性があり、脱畳ソフトウェアに組み込むことができると結論付けた。
  論文  参考訳（メタデータ） (2020-10-04T16:14:45Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。