論文の概要: Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2105.08175v1
- Date: Mon, 17 May 2021 21:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 14:06:56.217949
- Title: Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction
- Title（参考訳）: マルチチャネルMRI再構成のためのトランスファーラーニング強化生成対向ネットワーク
- Authors: Jun Lv, Guangyuan Li, Xiangrong Tong, Weibo Chen, Jiahao Huang,
Chengyan Wang, Guang Yang
- Abstract要約: 深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
- 参考スコア（独自算出の注目度）: 3.5765797841178597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based generative adversarial networks (GAN) can effectively
perform image reconstruction with under-sampled MR data. In general, a large
number of training samples are required to improve the reconstruction
performance of a certain model. However, in real clinical applications, it is
difficult to obtain tens of thousands of raw patient data to train the model
since saving k-space data is not in the routine clinical flow. Therefore,
enhancing the generalizability of a network based on small samples is urgently
needed. In this study, three novel applications were explored based on parallel
imaging combined with the GAN model (PI-GAN) and transfer learning. The model
was pre-trained with public Calgary brain images and then fine-tuned for use in
(1) patients with tumors in our center; (2) different anatomies, including knee
and liver; (3) different k-space sampling masks with acceleration factors (AFs)
of 2 and 6. As for the brain tumor dataset, the transfer learning results could
remove the artifacts found in PI-GAN and yield smoother brain edges. The
transfer learning results for the knee and liver were superior to those of the
PI-GAN model trained with its own dataset using a smaller number of training
cases. However, the learning procedure converged more slowly in the knee
datasets compared to the learning in the brain tumor datasets. The
reconstruction performance was improved by transfer learning both in the models
with AFs of 2 and 6. Of these two models, the one with AF=2 showed better
results. The results also showed that transfer learning with the pre-trained
model could solve the problem of inconsistency between the training and test
datasets and facilitate generalization to unseen data.
- Abstract（参考訳）: 深層学習に基づく生成逆数ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
一般に、あるモデルの再構築性能を改善するために多くのトレーニングサンプルが必要となる。
しかし,実際の臨床応用では,k空間データの保存が日常的な臨床フローにないため,数万件の生患者データを取得することは困難である。
そのため,小サンプルに基づくネットワークの一般化性の向上が急務である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
本モデルでは, 当院における腫瘍患者, (2) 膝, 肝臓を含む解剖学, (3) 加速度因子(AF)が2, 6の異なるk空間サンプリングマスクを用いて, パブリックカルガリー脳画像を用いて事前訓練を行った。
脳腫瘍のデータセットについて、転送学習の結果はPI-GANで見つかったアーティファクトを除去し、よりスムーズな脳の縁を生み出す可能性がある。
膝と肝臓のトランスファー学習の結果は,pi-ganモデルよりもトレーニングケースが少なく,独自のデータセットでトレーニングしたモデルよりも優れていた。
しかし, 膝関節データセットでは脳腫瘍データセットの学習に比べ, 学習手順は緩やかに収束した。
AF 2 と 6 のモデルを用いたトランスファー学習により再構成性能が向上した。
これら2モデルのうち, AF=2のモデルの方が良好な結果を示した。
また,事前学習モデルによる伝達学習は,トレーニングデータセットとテストデータセットの矛盾を解消し,未知のデータへの一般化を容易にすることを示した。
関連論文リスト
- Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。
本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。
提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
論文 参考訳（メタデータ） (2024-11-19T21:42:57Z) - 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) - Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。
まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。
次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
論文 参考訳（メタデータ） (2024-06-21T01:53:12Z) - Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。
本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文 参考訳（メタデータ） (2024-06-20T11:26:32Z) - Transfer learning from a sparsely annotated dataset of 3D medical images [4.477071833136902]
本研究では,医療画像における臓器分割のための深部畳み込みニューラルネットワークの性能向上のための伝達学習の活用について検討する。
ベースセグメンテーションモデルは、大小の注釈付きデータセットに基づいてトレーニングされ、その重みは4つの新しい下流セグメンテーションタスクのトランスファー学習に使用された。
その結果,小規模なデータセットが利用可能になった場合には,ベースモデルからの移動学習が有用であることが示唆された。
論文 参考訳（メタデータ） (2023-11-08T21:31:02Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Classification of Brain Tumours in MR Images using Deep Spatiospatial
Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。
両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文 参考訳（メタデータ） (2021-05-28T19:27:51Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z) - Deep transfer learning for improving single-EEG arousal detection [63.52264764099532]
2つのデータセットは、単一のEEGモデルでパフォーマンスが低下する原因となる、まったく同じ設定を含んでいない。
単チャンネル脳波データのためのアーキテクチャを構築するために,ベースラインモデルをトレーニングし,最初の2層を置き換える。
細調整戦略を用いて,本モデルはベースラインモデルと同等の性能を示し,同等の単一チャネルモデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-10T16:51:06Z)
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。