論文の概要: Dopamine Transporter SPECT Image Classification for Neurodegenerative
Parkinsonism via Diffusion Maps and Machine Learning Classifiers
- arxiv url: http://arxiv.org/abs/2104.02066v1
- Date: Tue, 6 Apr 2021 06:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 19:29:25.506052
- Title: Dopamine Transporter SPECT Image Classification for Neurodegenerative
Parkinsonism via Diffusion Maps and Machine Learning Classifiers
- Title(参考訳): 拡散マップと機械学習による神経変性パーキンソン病のドーパミントランスポーターspect画像分類
- Authors: Jun-En Ding, Chi-Hsiang Chu, Mong-Na Lo Huang, Chien-Ching Hsu
- Abstract要約: 本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。
N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。
この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neurodegenerative parkinsonism can be assessed by dopamine transporter single
photon emission computed tomography (DaT-SPECT). Although generating images is
time-consuming, these images can show interobserver variability and they have
been visually interprete by nuclear medicine physicians to date. Accordingly,
this study aims to provide an automatic and robust method based on Diffusion
Maps and machine learning classifiers to classify the SPECT images into two
types, namely Normal and Abnormal DaT-SPECT image groups. In the proposed
method, the 3D images of N patients are mapped to an N by N pairwise distance
matrix and training set are embedded into a low-dimensional space by using
diffusion maps. Moreover, we use Nystr\"om's out-of-sample extension, which
embeds new sample points as the testing set in the reduced space. Testing
samples in the embedded space are then classified into two types through the
ensemble classifier with Linear Discriminant Analysis (LDA) and voting
procedure through twenty-five-fold cross-validation results. The feasibility of
the method is demonstrated via Parkinsonism Progression Markers Initiative
(PPMI) dataset of 1097 subjects and a clinical cohort from Kaohsiung Chang Gung
Memorial Hospital (KCGMH-TW) of 630 patients. We compare performances using
Diffusion Maps with those of three alternative manifold methods for dimension
reduction, namely Locally Linear Embedding (LLE), Isomorphic Mapping Algorithm
(Isomap), and Kernel Principal Component Analysis (Kernel PCA). We also compare
results using through 2D and 3D CNN methods. The diffusion maps method has an
average accuracy of 98% from the PPMI and 90% from the KCGMH-TW dataset with
twenty-five fold cross-validation results. It outperforms the other three
methods concerning the overall accuracy and the robustness in the training and
testing samples.
- Abstract(参考訳): 神経変性性パーキンソニズムはドーパミントランスポーター単光子放射CT(DaT-SPECT)により評価できる。
画像の生成には時間がかかるが、これらの画像はサーバ間変動を示し、これまで核医学医によって視覚的に解釈されてきた。
そこで本研究では,ディフュージョンマップと機械学習分類器をベースとして,SPECT画像を正規化と異常化という2つのタイプに分類する手法を提案する。
提案手法では,N症例の3次元画像をN対距離行列でNにマッピングし,拡散マップを用いて低次元空間にトレーニングセットを埋め込む。
さらに、nystr\"omのout-of-sample拡張も使用し、新しいサンプルポイントをテストセットとしてリミットスペースに組み込んでいます。
組込み空間における試験サンプルは,LDA(Linear Discriminant Analysis)を用いたアンサンブル分類器と,25倍のクロスバリデーション結果による投票手順の2種類に分類される。
1097名のパーキンソン病進行マーカー・イニシアチブ(PPMI)データセットと630名のKaohsiung Chang Gung Memorial Hospital(KCGMH-TW)の臨床コホートを用いて本手法の有効性を実証した。
ディフュージョンマップを用いて,局所線形埋め込み(LLE),等方写像アルゴリズム(Isomap),カーネル主成分分析(Kernel PCA)という,次元縮小のための3つの代替多様体法の性能を比較する。
また,2次元および3次元cnn法を用いて結果を比較した。
拡散マップ法は, PPMIから平均98%, KCGMH-TWデータセットから平均90%の精度で, クロスバリデーションの結果は25倍になった。
トレーニングとテストサンプルの全体的な正確性と堅牢性に関して、他の3つの方法よりも優れています。
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) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2023-01-17T10:39:39Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - Feature-enhanced Adversarial Semi-supervised Semantic Segmentation
Network for Pulmonary Embolism Annotation [6.142272540492936]
本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。
近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。
本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2022-04-08T04:21:02Z) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳(メタデータ) (2022-01-05T21:37:43Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。