論文の概要: Deep regression for uncertainty-aware and interpretable analysis of
large-scale body MRI
- arxiv url: http://arxiv.org/abs/2105.07797v1
- Date: Mon, 17 May 2021 13:12:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 22:23:29.222994
- Title: Deep regression for uncertainty-aware and interpretable analysis of
large-scale body MRI
- Title（参考訳）: 不確実性認識のための大規模MRIの深部回帰解析
- Authors: Taro Langner, Robin Strand, H{\aa}kan Ahlstr\"om, Joel Kullberg
- Abstract要約: 英国バイオバンクのような大規模医学研究は、医療画像技術を用いた数千人のボランティア参加者を調査した。
回帰のための畳み込みニューラルネットワークによる最近のアプローチは、これらの評価を自動的に行うことができる。
英国バイオバンクの4万人以上の被験者のMRIデータについて、これらのシステムは人間の年齢、体組成などを推定することができる。
- 参考スコア（独自算出の注目度）: 1.6799377888527687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale medical studies such as the UK Biobank examine thousands of
volunteer participants with medical imaging techniques. Combined with the vast
amount of collected metadata, anatomical information from these images has the
potential for medical analyses at unprecedented scale. However, their
evaluation often requires manual input and long processing times, limiting the
amount of reference values for biomarkers and other measurements available for
research. Recent approaches with convolutional neural networks for regression
can perform these evaluations automatically. On magnetic resonance imaging
(MRI) data of more than 40,000 UK Biobank subjects, these systems can estimate
human age, body composition and more. This style of analysis is almost entirely
data-driven and no manual intervention or guidance with manually segmented
ground truth images is required. The networks often closely emulate the
reference method that provided their training data and can reach levels of
agreement comparable to the expected variability between established medical
gold standard techniques. The risk of silent failure can be individually
quantified by predictive uncertainty obtained from a mean-variance criterion
and ensembling. Saliency analysis furthermore enables an interpretation of the
underlying relevant image features and showed that the networks learned to
correctly target specific organs, limbs, and regions of interest.
- Abstract（参考訳）: 英国バイオバンクのような大規模医学研究は、医療画像技術を用いた数千人のボランティア参加者を調査した。
膨大な量のメタデータと組み合わせることで、これらの画像からの解剖学的情報は、前例のない規模の医学的分析の可能性を秘めている。
しかしながら、それらの評価は、しばしば手動入力と長い処理時間を必要とし、バイオマーカーやその他の研究に利用可能な測定値の量を制限する。
回帰のための畳み込みニューラルネットワークによる最近のアプローチは、これらの評価を自動的に行うことができる。
英国バイオバンクの4万人以上の被験者のMRIデータについて、これらのシステムは人間の年齢、体組成などを推定することができる。
この分析のスタイルは、ほぼ完全にデータ駆動であり、手動による手動による介入や指導は不要である。
ネットワークはしばしば、トレーニングデータを提供するリファレンスメソッドを密にエミュレートし、確立された医療用金標準技術間の変動に匹敵するレベルの合意に達することができる。
平均分散基準とアンサンブルから得られた予測不確実性により、サイレント障害のリスクを個別に定量することができる。
さらに、塩分分析は関連する画像の特徴の解釈を可能にし、ネットワークが興味のある特定の臓器、四肢、領域を正しくターゲットできることを示した。
関連論文リスト
- Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Bayesian approaches for Quantifying Clinicians' Variability in Medical
Image Quantification [0.16314780449435543]
深層ニューラルネットワークによってパラメータ化されたベイズ予測分布は,臨床医のイントラ変動を近似できることを示した。
臨床測定の不確実性を提供することにより,医療画像の定量的分析における新たな視点を示す。
論文 参考訳（メタデータ） (2022-07-05T08:04:02Z) - 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) - MIMIR: Deep Regression for Automated Analysis of UK Biobank Body MRI [1.4777718769290527]
UK Biobank(UKB)は50万人以上のボランティアを大規模に調査し、健康関連情報を収集している。
医療画像はさらに10万人の被験者を対象とし、70,000回のフォローアップセッションを行い、臓器、筋肉、体組成の測定を可能にしている。
本研究は,英国ネック・トゥ・クニー・ボディMRIから対象メタデータの包括的プロファイルを自動的に予測する実験的な推論エンジンを提案する。
論文 参考訳（メタデータ） (2021-06-22T13:09:40Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Uncertainty-Aware Body Composition Analysis with Deep Regression
Ensembles on UK Biobank MRI [3.972426663177761]
resnet50ニューラルネットワークを用いて,体組成の6つの測定値を自動的に推定した。
平均分散回帰と ensembling は相補的な効果を示し, 全予測平均絶対誤差を12%削減した。
その結果、深部回帰型アンサンブルは、最終的に1220,000以上の英国バイオバンクネックツーニーボディMRIのために体組成の自動化された不確実性測定を提供する可能性が示唆された。
論文 参考訳（メタデータ） (2021-01-18T09:59:20Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳（メタデータ） (2020-10-11T22:01:37Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Large-scale biometry with interpretable neural network regression on UK
Biobank body MRI [1.3439502310822151]
イギリスのバイオバンクがMRIで3万2000人以上の被験者を画像化
研究の可能性にもかかわらず、この膨大な量のデータは、確立された評価方法への挑戦を示す。
この研究では、ネック・トゥ・クニー・ボディMRIから様々な生物学的指標を自動的に推測するために、画像に基づく回帰のためにニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2020-02-17T09:47:58Z)
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。