論文の概要: Automatic quality control of brain T1-weighted magnetic resonance images
for a clinical data warehouse
- arxiv url: http://arxiv.org/abs/2104.08131v1
- Date: Fri, 16 Apr 2021 14:27:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:13:06.847775
- Title: Automatic quality control of brain T1-weighted magnetic resonance images
for a clinical data warehouse
- Title（参考訳）: 臨床データウェアハウスにおける脳T1強調磁気共鳴画像の自動品質制御
- Authors: Simona Bottani, Ninon Burgos, Aur\'elien Maire, Adam Wild, Sebastian
Str\"oer, Didier Dormont, Olivier Colliot
- Abstract要約: 大規模臨床データウェアハウスにおける3D T1強調脳MRIの自動QCのための畳み込みニューラルネットワーク(CNN)を提案する。
具体的には, 1) 適切なT1強調脳MRI画像の同定, 2) ガドリニウムを注入した画像の取得, 3) 画像の全体的な品質を評価することであった。
- 参考スコア（独自算出の注目度）: 2.242826692380864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many studies on machine learning (ML) for computer-aided diagnosis have so
far been mostly restricted to high-quality research data. Clinical data
warehouses, gathering routine examinations from hospitals, offer great promises
for training and validation of ML models in a realistic setting. However, the
use of such clinical data warehouses requires quality control (QC) tools.
Visual QC by experts is time-consuming and does not scale to large datasets. In
this paper, we propose a convolutional neural network (CNN) for the automatic
QC of 3D T1-weighted brain MRI for a large heterogeneous clinical data
warehouse. To that purpose, we used the data warehouse of the hospitals of the
Greater Paris area (Assistance Publique-H\^opitaux de Paris [AP-HP]).
Specifically, the objectives were: 1) to identify images which are not proper
T1-weighted brain MRIs; 2) to identify acquisitions for which gadolinium was
injected; 3) to rate the overall image quality. We used 5000 images for
training and validation and a separate set of 500 images for testing. In order
to train/validate the CNN, the data were annotated by two trained raters
according to a visual QC protocol that we specifically designed for application
in the setting of a data warehouse. For objectives 1 and 2, our approach
achieved excellent accuracy (balanced accuracy and F1-score \textgreater 90\%),
similar to the human raters. For objective 3, the performance was good but
substantially lower than that of human raters. Nevertheless, the automatic
approach accurately identified (balanced accuracy and F1-score \textgreater
80\%) low quality images, which would typically need to be excluded. Overall,
our approach shall be useful for exploiting hospital data warehouses in medical
image computing.
- Abstract（参考訳）: コンピュータ支援診断のための機械学習(ML)の研究は、これまで多くが高品質の研究データに限られてきた。
臨床データウェアハウスは、病院から定期的な検査を集め、現実的な環境でMLモデルのトレーニングと検証を行うための素晴らしい約束を提供する。
しかし、そのような臨床データウェアハウスの使用には品質管理(QC)ツールが必要である。
専門家によるビジュアルQCは時間がかかり、大規模なデータセットにスケールしない。
本稿では,大規模異種臨床データウェアハウスにおける3d t1強調脳mriの自動qcのための畳み込みニューラルネットワーク(cnn)を提案する。
そのため,大パリ地域の病院のデータウェアハウス(アシスタンス・プブリック=h\^opitaux de paris [ap-hp])を用いた。
具体的には, 1) 適切なT1強調脳MRI画像の同定, 2) ガドリニウムを注入した画像の取得, 3) 画像の全体的な品質を評価することであった。
トレーニングと検証には5000画像、テストには500画像の別セットを使用しました。
cnnのトレーニングと検証を行うため、データはデータウェアハウスの設定に特別に設計されたビジュアルqcプロトコルに従って、2つのトレーニングされたレートラーによってアノテートされました。
目的1と目的2において,本手法はヒトラッカーと同様の精度(バランス精度とF1スコアのテキストグレーター90\%)を達成できた。
objective 3では、パフォーマンスは良好だが、人間よりもかなり低かった。
それにもかかわらず、自動的なアプローチは(精度のバランスとf1-score \textgreater 80\%)低品質の画像を正確に識別した。
全体としては,医療画像計算における病院データウェアハウスの利用に有用である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。
まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。
3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
論文 参考訳（メタデータ） (2024-06-18T09:53:07Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Deep neuroevolution for limited, heterogeneous data: proof-of-concept
application to Neuroblastoma brain metastasis using a small virtual pooled
image collection [0.0]
我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。
症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。
DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
論文 参考訳（メタデータ） (2022-11-26T07:03:37Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳（メタデータ） (2022-11-05T10:27:37Z) - Facilitated machine learning for image-based fruit quality assessment in
developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。
事前学習型視覚変換器(ViT)に基づく代替手法を提案する。
標準的なデバイス上で限られたリソースで簡単に実装できる。
論文 参考訳（メタデータ） (2022-07-10T19:52:20Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳（メタデータ） (2020-01-23T15:20:22Z)
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。