Fugu-MT 論文翻訳(概要): Deep Learning-based Type Identification of Volumetric MRI Sequences

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

Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文参考訳（メタデータ） (2024-09-25T11:14:47Z)
MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文参考訳（メタデータ） (2024-03-27T02:42:52Z)
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)
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)
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。