論文の概要: Feasibility Assessment of Multitasking in MRI Neuroimaging Analysis:
Tissue Segmentation, Cross-Modality Conversion and Bias correction
- arxiv url: http://arxiv.org/abs/2105.14986v1
- Date: Mon, 31 May 2021 14:16:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-06-01 17:27:02.461113
- Title: Feasibility Assessment of Multitasking in MRI Neuroimaging Analysis:
Tissue Segmentation, Cross-Modality Conversion and Bias correction
- Title（参考訳）: MRI神経画像解析におけるマルチタスキングの可能性:組織分節化, 異質化, バイアス補正
- Authors: Mohammad Eslami, Solale Tabarestani, Malek Adjouadi
- Abstract要約: 本研究では, 組織分割, モダリティ変換, バイアス場補正など, マルチタスキングの3つの応用の可能性について検討した。
2つのよく知られたネットワーク、U-Netはよく知られた畳み込みニューラルネットワークアーキテクチャであり、条件付き生成対向ネットワークに基づくクローズドアーキテクチャを実装している。
- 参考スコア（独自算出の注目度）: 3.5450828190071655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuroimaging is essential in brain studies for the diagnosis and
identification of disease, structure, and function of the brain in its healthy
and disease states. Literature shows that there are advantages of multitasking
with some deep learning (DL) schemes in challenging neuroimaging applications.
This study examines the feasibility of using multitasking in three different
applications, including tissue segmentation, cross-modality conversion, and
bias-field correction. These applications reflect five different scenarios in
which multitasking is explored and 280 training and testing sessions conducted
for empirical evaluations. Two well-known networks, U-Net as a well-known
convolutional neural network architecture, and a closed architecture based on
the conditional generative adversarial network are implemented. Different
metrics such as the normalized cross-correlation coefficient and Dice scores
are used for comparison of methods and results of the different experiments.
Statistical analysis is also provided by paired t-test. The present study
explores the pros and cons of these methods and their practical impacts on
multitasking in different implementation scenarios. This investigation shows
that bias correction and cross-modality conversion applications are
significantly easier than the segmentation application, and having multitasking
with segmentation is not reasonable if one of them is identified as the main
target application. However, when the main application is the segmentation of
tissues, multitasking with cross-modality conversion is beneficial, especially
for the U-net architecture.
- Abstract（参考訳）: 神経画像化は、脳の健康状態および疾患状態における疾患、構造および機能の診断および同定のために、脳研究において必須である。
文献によると、深層学習(DL)方式によるマルチタスキングの利点は、神経画像の応用に挑戦することにある。
本研究では, 組織分割, モダリティ変換, バイアス場補正など, マルチタスキングの3つの応用の可能性を検討した。
これらのアプリケーションは、マルチタスクを探索する5つの異なるシナリオを反映し、280のトレーニングとテストセッションを経験的評価のために実施する。
有名な畳み込みニューラルネットワークアーキテクチャであるu-netと条件付き生成逆ネットワークに基づくクローズドアーキテクチャの2つのネットワークが実装されている。
正規化相互相関係数やDiceスコアなどの異なるメトリクスは、異なる実験の方法と結果の比較に使用される。
統計分析はペアt-testも行う。
本研究では,これらの手法の長所と短所,実装シナリオの違いによるマルチタスキングへの影響について検討する。
本研究は, 偏差補正とクロスモーダリティ変換がセグメンテーションアプリケーションよりもはるかに容易であり, セグメンテーションによるマルチタスキングが主ターゲットアプリケーションとして特定される場合, 妥当でないことを示す。
しかし,組織分割が主な用途である場合,特にU-netアーキテクチャにおいて,相互モダリティ変換によるマルチタスキングが有用である。
関連論文リスト
- Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg [3.379673965672007]
我々は、与えられたトレーニングデータセットの多様性を完全に活用するために、新しいデータ駆動型トレインタイムサンプリング戦略を導入する。
重度の解剖学的異常を有する被験者を対象に, セグメンテーション品質の顕著な改善を図った。
論文 参考訳（メタデータ） (2025-04-14T14:08:26Z) - PULASki: Learning inter-rater variability using statistical distances to
improve probabilistic segmentation [36.136619420474766]
本稿では,専門家アノテーションの変動を正確に捉えるバイオメディカルイメージセグメンテーションのためのPULASkiを提案する。
提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。
また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
論文 参考訳（メタデータ） (2023-12-25T10:31:22Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Identification of Cognitive Workload during Surgical Tasks with
Multimodal Deep Learning [20.706268332427157]
関連する認知ワークロード(CWL)の増加は、予期せぬ、反復的なタスクへの対処から生じる。
本稿では,CWLのマルチモーダル認識のための2つの機械学習手法のカスケードを提案する。
畳み込みニューラルネットワーク(CNN)は、この情報を用いて、各手術タスクに関連するさまざまなタイプのCWLを識別する。
論文 参考訳（メタデータ） (2022-09-12T18:29:34Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - Learning joint segmentation of tissues and brain lesions from
task-specific hetero-modal domain-shifted datasets [6.049813979681482]
本稿では,タスク固有のデータセットから関節組織と病変のセグメンテーションモデルを構築するための新しい手法を提案する。
予測されるリスクがどのように分解され、経験的に最適化されるかを示す。
それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-09-08T22:00:00Z) - Beyond Data Samples: Aligning Differential Networks Estimation with
Scientific Knowledge [18.980524563441975]
提案した推定器は多数の変数に対してスケーラブルであり、鋭い収束率を達成する。
本研究は, 遺伝的ネットワーク同定と脳コネクトーム変化発見において, グループ, 空間, 解剖学的知識を統合することの意義を明らかにするものである。
論文 参考訳（メタデータ） (2020-04-24T00:01:15Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。