論文の概要: Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images:
Techniques and Clinical Applications
- arxiv url: http://arxiv.org/abs/2104.10029v1
- Date: Tue, 20 Apr 2021 15:08:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:27:32.393253
- Title: Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images:
Techniques and Clinical Applications
- Title（参考訳）: 脳磁気共鳴画像における多発性硬化病変の解析 : 技術と臨床応用
- Authors: Yang Ma, Chaoyi Zhang, Mariano Cabezas, Yang Song, Zihao Tang, Dongnan
Liu, Weidong Cai, Michael Barnett, Chenyu Wang
- Abstract要約: 多発性硬化症(MS)は、中枢神経系の慢性炎症性および変性疾患である。
伝統的に、MS病変は手動で2DMRIスライスに注釈付けされている。
深層学習技術は,ms病変分割タスクにおいて著しいブレークスルーを達成した。
- 参考スコア（独自算出の注目度）: 22.410543483471915
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multiple sclerosis (MS) is a chronic inflammatory and degenerative disease of
the central nervous system, characterized by the appearance of focal lesions in
the white and gray matter that topographically correlate with an individual
patient's neurological symptoms and signs. Magnetic resonance imaging (MRI)
provides detailed in-vivo structural information, permitting the quantification
and categorization of MS lesions that critically inform disease management.
Traditionally, MS lesions have been manually annotated on 2D MRI slices, a
process that is inefficient and prone to inter-/intra-observer errors.
Recently, automated statistical imaging analysis techniques have been proposed
to extract and segment MS lesions based on MRI voxel intensity. However, their
effectiveness is limited by the heterogeneity of both MRI data acquisition
techniques and the appearance of MS lesions. By learning complex lesion
representations directly from images, deep learning techniques have achieved
remarkable breakthroughs in the MS lesion segmentation task. Here, we provide a
comprehensive review of state-of-the-art automatic statistical and
deep-learning MS segmentation methods and discuss current and future clinical
applications. Further, we review technical strategies, such as domain
adaptation, to enhance MS lesion segmentation in real-world clinical settings.
- Abstract（参考訳）: 多発性硬化症(multiple sclerosis、ms)は、神経系の慢性炎症性および変性疾患であり、個々の患者の神経症状や徴候と地形的に相関する白質および灰色質の焦点病変の出現が特徴である。
MRI(MRI)は詳細な生体内構造情報を提供し、疾患管理を重要視するMS病変の定量化と分類を可能にする。
伝統的に、MS病変は2D MRIスライスに手動で注釈付けされている。
近年,MRIのボクセル強度に基づいてMS病変を抽出・分画する自動統計画像解析技術が提案されている。
しかし、その効果はmriデータ取得技術の多様性とms病変の出現によって制限されている。
画像から直接複雑な病変の表現を学習することにより、深層学習技術はMS病変のセグメンテーションタスクにおいて顕著なブレークスルーを達成した。
本稿では,最先端自動統計・ディープラーニングmsセグメンテーション手法の包括的レビューを行い,今後の臨床応用について考察する。
さらに,領域適応などの技術戦略を概観し,現実の臨床環境におけるMS病変のセグメンテーションを強化する。
関連論文リスト
- Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Automatic Diagnosis of Myocarditis Disease in Cardiac MRI Modality using
Deep Transformers and Explainable Artificial Intelligence [20.415917092103033]
心筋炎は、多くの人の健康を脅かす重要な心血管疾患(CVD)である。
HIVなどを含む微生物やウイルスの発生は、心筋炎疾患(MCD)の発生に重要な役割を担っている
提案したCADSは,データセット,前処理,特徴抽出,分類,後処理など,いくつかのステップで構成されている。
論文 参考訳（メタデータ） (2022-10-26T10:34:20Z) - Lesion-Specific Prediction with Discriminator-Based Supervised Guided
Attention Module Enabled GANs in Multiple Sclerosis [0.0]
多発性硬化症 (Multiple Sclerosis, MS) は、脳の白質の病変が発達するのを特徴とする慢性神経疾患である。
そこで本研究では,MSにおける将来的な病変特異的FLAIR MRIを一定時間間隔で予測するために,GAN(Generative Adversarial Network)の新たな修正を提案する。
論文 参考訳（メタデータ） (2022-08-30T20:37:38Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Cortical lesions, central vein sign, and paramagnetic rim lesions in
multiple sclerosis: emerging machine learning techniques and future avenues [4.388837207929038]
現在の多発性硬化症(MS)の診断基準には特異性がなく、誤診につながる可能性がある。
近年,MS病変画像バイオマーカーは鑑別診断において高い特異性を示している。
機械学習に基づく手法は、従来のイメージングバイオマーカーの評価において、極めて優れた性能を達成している。
論文 参考訳（メタデータ） (2022-01-19T08:26:49Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Applications of Deep Learning Techniques for Automated Multiple
Sclerosis Detection Using Magnetic Resonance Imaging: A Review [11.505730390079645]
多発性硬化症(Multiple Sclerosis、MS)は、神経系の機能に有害な影響を与える人の視覚、感覚、運動の障害を引き起こす脳疾患である。
近年,MRIを用いたMSの正確な診断のために,人工知能(AI)に基づくコンピュータ支援診断システム(CADS)が提案されている。
本稿では,MRI のニューロイメージング・モダリティを用いた DL 技術を用いた自動MS診断法について概説する。
論文 参考訳（メタデータ） (2021-05-11T09:08:48Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-26T02:50:09Z) - Deep Learning for Musculoskeletal Image Analysis [5.271212551436945]
本研究では,機械学習,特にディープラーニングの手法を用いて,MRIスキャンの迅速かつ正確な画像解析を行う方法について述べる。
メニスカスおよび前十字靭帯断裂を含む各種異常の機械学習分類について検討した。
広く用いられている畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを用いて,膝の異常分類性能を比較検討した。
論文 参考訳（メタデータ） (2020-03-01T18:13:59Z)
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。