論文の概要: Self-supervised Lesion Change Detection and Localisation in Longitudinal Multiple Sclerosis Brain Imaging

• arxiv url: http://arxiv.org/abs/2106.00919v1
• Date: Wed, 2 Jun 2021 03:34:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:23:21.959177
• Title: Self-supervised Lesion Change Detection and Localisation in Longitudinal Multiple Sclerosis Brain Imaging
• Title（参考訳）: 縦型多発性硬化症脳画像における自覚的病変変化の検出と局在
• Authors: Minh-Son To, Ian G Sarno, Chee Chong, Mark Jenkinson and Gustavo Carneiro
• Abstract要約: シリアルイメージングにおける病変変化の存在は、臨床的意思決定に重大な影響を及ぼす可能性がある。 病変を含まないシリアル画像のみをトレーニングした,新しい教師なし異常検出および局所化手法を提案する。 本訓練では, 連続画像の病変変化を自動的に合成し, 検出と局所化の擬似ラベルを導入している。 多発性硬化症患者における経時的磁気共鳴画像診断における新しい脱髄病変の検出と局在の競合性を示す。
• 参考スコア（独自算出の注目度）: 14.886698718510942
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Longitudinal imaging forms an essential component in the management and follow-up of many medical conditions. The presence of lesion changes on serial imaging can have significant impact on clinical decision making, highlighting the important role for automated change detection. Lesion changes can represent anomalies in serial imaging, which implies a limited availability of annotations and a wide variety of possible changes that need to be considered. Hence, we introduce a new unsupervised anomaly detection and localisation method trained exclusively with serial images that do not contain any lesion changes. Our training automatically synthesises lesion changes in serial images, introducing detection and localisation pseudo-labels that are used to self-supervise the training of our model. Given the rarity of these lesion changes in the synthesised images, we train the model with the imbalance robust focal Tversky loss. When compared to supervised models trained on different datasets, our method shows competitive performance in the detection and localisation of new demyelinating lesions on longitudinal magnetic resonance imaging in multiple sclerosis patients. Code for the models will be made available on GitHub.
• Abstract（参考訳）: 縦断画像は、多くの医療状況の管理と追跡に不可欠な要素である。 連続画像における病変変化の存在は、臨床意思決定に大きな影響を与え、自動変化検出における重要な役割を強調する。 病変の変化はシリアルイメージングにおける異常を表現することができ、アノテーションの可用性が制限され、考慮すべきさまざまな変更が考えられる。 そこで本研究では,病変を含まないシリアル画像のみを用いた教師なし異常検出および局所化手法を提案する。 トレーニングでは, 連続画像の病変変化を自動的に合成し, モデルの訓練を自己監督するために用いられる検出と局所化の擬似ラベルを導入する。 合成画像におけるこれらの病変の希少さを考慮し,不均衡な局所的Tversky損失を伴ってモデルを訓練する。 異なるデータセットでトレーニングされた教師付きモデルと比較すると,多発性硬化症患者の縦型磁気共鳴画像における新しい脱髄病変の検出と局所化における競合性を示す。 モデルのコードはgithubで入手できる。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• RadEdit: stress-testing biomedical vision models via diffusion image editing [45.43408333243842]
  本研究は、生成画像編集を用いて、バイオメディカルビジョンモデルのデータセットシフトをシミュレートし、障害モードを診断することを提案する。 既存の編集手法は、疾患や治療介入の共起によって学習された、望ましくない変化をもたらす可能性がある。 そこで我々は,複数のマスクを用いた新しい編集手法RadEditを導入し,変更を制約し,編集画像の一貫性を確保する。
  論文  参考訳（メタデータ） (2023-12-20T09:27:41Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina [4.815051667870375]
  基礎撮影は網膜イメージングの第一の方法であり、糖尿病網膜症予防に必須である。 現在のセグメンテーション法は、実際の臨床応用に典型的な画像条件や病理の多様性に対して堅牢ではない。 コントラスト型自己教師型学習を用いて,EyePACSデータセットの多種多様な未ラベル画像を利用する。
  論文  参考訳（メタデータ） (2021-08-05T18:02:56Z)
• Continual Active Learning for Efficient Adaptation of Machine Learning Models to Changing Image Acquisition [3.205205037629335]
  医用画像のデータストリームを用いた連続的能動学習手法を提案する。 新たな画像ソース(ドメイン)のシフトや追加を認識し、トレーニングを順応する。 提案手法は,手動ラベリングを少なくしながら,能動的学習に優れることを示した。
  論文  参考訳（メタデータ） (2021-06-07T05:39:06Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Dynamic memory to alleviate catastrophic forgetting in continuous learning settings [2.7259816320747627]
  診断手順の技術的進歩や変化は、画像の外観の継続的な変化につながる。 このようなドメインとタスクシフトは、臨床ルーチンにおける機械学習アルゴリズムの適用性を制限する。 我々は、大惨な忘れ込み効果を抑えながら、ソース領域の変動を目にしないモデルに適応する。
  論文  参考訳（メタデータ） (2020-07-06T11:02:38Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。