論文の概要: Unsupervised Acute Intracranial Hemorrhage Segmentation with Mixture Models

• arxiv url: http://arxiv.org/abs/2105.05891v1
• Date: Wed, 12 May 2021 18:26:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 14:06:48.686532
• Title: Unsupervised Acute Intracranial Hemorrhage Segmentation with Mixture Models
• Title（参考訳）: 混合モデルによる急性頭蓋内出血の再建
• Authors: Kimmo K\"arkk\"ainen, Shayan Fazeli, Majid Sarrafzadeh
• Abstract要約: 頭蓋内出血は、血管が脳組織内や頭蓋内の他の場所で破裂または漏れたときに起こる。 各イメージを手動で分析するのは非常に時間がかかるが、自動化技術はプロセスのスピードアップに役立つ。 混合モデルに基づく完全監視アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.367040534472665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intracranial hemorrhage occurs when blood vessels rupture or leak within the brain tissue or elsewhere inside the skull. It can be caused by physical trauma or by various medical conditions and in many cases leads to death. The treatment must be started as soon as possible, and therefore the hemorrhage should be diagnosed accurately and quickly. The diagnosis is usually performed by a radiologist who analyses a Computed Tomography (CT) scan containing a large number of cross-sectional images throughout the brain. Analysing each image manually can be very time-consuming, but automated techniques can help speed up the process. While much of the recent research has focused on solving this problem by using supervised machine learning algorithms, publicly-available training data remains scarce due to privacy concerns. This problem can be alleviated by unsupervised algorithms. In this paper, we propose a fully-unsupervised algorithm which is based on the mixture models. Our algorithm utilizes the fact that the properties of hemorrhage and healthy tissues follow different distributions, and therefore an appropriate formulation of these distributions allows us to separate them through an Expectation-Maximization process. In addition, our algorithm is able to adaptively determine the number of clusters such that all the hemorrhage regions can be found without including noisy voxels. We demonstrate the results of our algorithm on publicly-available datasets that contain all different hemorrhage types in various sizes and intensities, and our results are compared to earlier unsupervised and supervised algorithms. The results show that our algorithm can outperform the other algorithms with most hemorrhage types.
• Abstract（参考訳）: 頭蓋内出血は、血管が脳組織や頭蓋内の他の場所で破裂または漏れたときに起こる。 身体的外傷や様々な疾患によって引き起こされ、多くの場合、死に至る。 治療はできるだけ早く開始しなければならないため,出血の診断は迅速かつ正確に行う必要がある。 診断は通常、脳全体に多数の断面画像を含むctスキャンを分析する放射線科医によって行われる。 各イメージを手動で分析するのは非常に時間がかかるが、自動化技術はプロセスのスピードアップに役立つ。 最近の研究の多くは、教師付き機械学習アルゴリズムを使用することでこの問題を解決することに重点を置いているが、プライバシー上の懸念から、公開可能なトレーニングデータが不足している。 この問題は教師なしのアルゴリズムで解決できる。 本稿では,混合モデルに基づく完全教師なしアルゴリズムを提案する。 このアルゴリズムは,出血と健康組織の性質が異なる分布に従うという事実を利用しており,それらの分布を適切に定式化することで,期待最大化プロセスで分離することができる。 また, このアルゴリズムは, 騒がしいボクセルを含まずにすべての出血領域を発見できるように, クラスタ数を適応的に決定できる。 様々な大きさと強度の異なる出血型を全て含む公開データセット上でのアルゴリズムの結果を実証し,従来の非教師なし・教師なしのアルゴリズムと比較した。 その結果,我々のアルゴリズムは,ほとんどの出血型で他のアルゴリズムよりも優れていた。

関連論文リスト

• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study [0.0]
  医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。 本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
  論文  参考訳（メタデータ） (2024-02-22T22:49:35Z)
• Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
  脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。 医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。 本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。 ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
  論文  参考訳（メタデータ） (2023-12-31T20:42:52Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• UniToBrain dataset: a Brain Perfusion Dataset [2.02258267891574]
  では、UniToBrainを紹介します。 本稿では,画像処理と深層学習モデル開発のために,欧州のECVLとEDDLを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-01T07:16:02Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Multi-Class Classification of Blood Cells -- End to End Computer Vision based diagnosis case study [0.0]
  我々は,外輪郭,色の形態的特徴から,白血球分類の問題に取り組む。 我々は、最小時間複雑さと低リソース要求でロバストなアルゴリズムを特定するために、多くのアルゴリズムを探求したい。
  論文  参考訳（メタデータ） (2021-06-23T17:18:19Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。