論文の概要: Deep Learning-based Type Identification of Volumetric MRI Sequences
- arxiv url: http://arxiv.org/abs/2106.03208v1
- Date: Sun, 6 Jun 2021 18:34:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 10:09:31.429931
- Title: Deep Learning-based Type Identification of Volumetric MRI Sequences
- Title(参考訳): 深層学習に基づくボリュームMRI系列の型同定
- Authors: Jean Pablo Vieira de Mello, Thiago M. Paix\~ao, Rodrigo Berriel,
Mauricio Reyes, Claudine Badue, Alberto F. De Souza, Thiago Oliveira-Santos
- Abstract要約: MRI配列の標準化されていない命名は、自動システムでは識別が困難である。
本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。
我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
- 参考スコア(独自算出の注目度): 5.407839873345339
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The analysis of Magnetic Resonance Imaging (MRI) sequences enables clinical
professionals to monitor the progression of a brain tumor. As the interest for
automatizing brain volume MRI analysis increases, it becomes convenient to have
each sequence well identified. However, the unstandardized naming of MRI
sequences makes their identification difficult for automated systems, as well
as makes it difficult for researches to generate or use datasets for machine
learning research. In the face of that, we propose a system for identifying
types of brain MRI sequences based on deep learning. By training a
Convolutional Neural Network (CNN) based on 18-layer ResNet architecture, our
system can classify a volumetric brain MRI as a FLAIR, T1, T1c or T2 sequence,
or whether it does not belong to any of these classes. The network was
evaluated on publicly available datasets comprising both, pre-processed (BraTS
dataset) and non-pre-processed (TCGA-GBM dataset), image types with diverse
acquisition protocols, requiring only a few slices of the volume for training.
Our system can classify among sequence types with an accuracy of 96.81%.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)解析により、臨床専門家は脳腫瘍の進行をモニターできる。
脳の容積MRI解析の自動化への関心が高まるにつれて、各シーケンスを適切に識別することが便利になる。
しかしながら、mriシーケンスの非標準化命名により、自動システムでは識別が難しくなり、機械学習研究のためのデータセットの生成や使用が難しくなる。
そこで本研究では,深層学習に基づく脳mriシーケンスのタイプを同定するシステムを提案する。
このシステムは18層ResNetアーキテクチャに基づく畳み込みニューラルネットワーク(CNN)をトレーニングすることにより、ボリューム脳MRIをFLAIR、T1、T1c、T2配列に分類することができる。
ネットワークは、事前処理(BraTSデータセット)と非前処理(TCGA-GBMデータセット)の両方からなる公開データセット、多様な取得プロトコルを備えたイメージタイプ、トレーニングのためにボリュームのほんの数スライスしか必要とせずに評価された。
我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
関連論文リスト
- Automated Classification of Body MRI Sequence Type Using Convolutional
Neural Networks [7.734037486455235]
胸部,腹部,骨盤のレベルで得られた3次元MRIの配列を自動分類する方法を提案する。
われわれは,胸部,腹部,骨盤のMRI画像の3次元分類法を初めて開発した。
論文 参考訳(メタデータ) (2024-02-12T22:34:57Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳(メタデータ) (2023-02-24T15:26:31Z) - Synthesis-based Imaging-Differentiation Representation Learning for
Multi-Sequence 3D/4D MRI [16.725225424047256]
画像差分表現学習のためのシーケンス・ツー・シーケンス生成フレームワーク(Seq2Seq)を提案する。
本研究では、1つのモデル内で任意の3D/4Dシーケンスを生成し、任意のターゲットシーケンスを生成するだけでなく、各シーケンスの重要性をランク付けする。
我々は,2万名の模擬被験者のおもちゃデータセット,1,251名の脳MRIデータセット,2,101名の乳房MRIデータセットを含む3つのデータセットを用いて広範な実験を行った。
論文 参考訳(メタデータ) (2023-02-01T15:37:35Z) - Deep Labeling of fMRI Brain Networks Using Cloud Based Processing [0.0]
静止状態fMRIは、機能領域を可視化し、局所活動を評価する神経外科的事前計画に使用される。
本稿では,クラウドベースのワークフローに rs-fMRI の画像処理を組み込んだ,エンドツーエンドの再現可能なパイプラインを提案する。
我々は、ディープラーニングを用いて、Resting State Networks(RSNs)の分類を自動化する。
論文 参考訳(メタデータ) (2022-09-16T23:59:42Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - 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) - Neural Architecture Search for Gliomas Segmentation on Multimodal
Magnetic Resonance Imaging [2.66512000865131]
マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。
開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
論文 参考訳(メタデータ) (2020-05-13T14:32:00Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳(メタデータ) (2019-12-28T12:45:34Z)
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。