論文の概要: Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI
- arxiv url: http://arxiv.org/abs/2108.04175v1
- Date: Mon, 9 Aug 2021 17:00:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:51:02.178963
- Title: Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI
- Title(参考訳): 正常胎児脳3次元MRIの分布的ロバスト分割
- Authors: Lucas Fidon, Michael Aertsen, Nada Mufti, Thomas Deprest, Doaa Emam,
Fr\'ed\'eric Guffens, Ernst Schwartz, Michael Ebner, Daniela Prayer, Gregor
Kasprian, Anna L. David, Andrew Melbourne, S\'ebastien Ourselin, Jan Deprest,
Georg Langs, Tom Vercauteren
- Abstract要約: 最先端のディープラーニングパイプライン nnU-Net では,異常なケースの一般化が困難であることを示す。
我々は、データセット上のボリューム当たり損失の分布のパーセンタイルを最小限に抑えるために、ディープニューラルネットワークをトレーニングすることを提案する。
我々は368個の胎児脳T2w MRIを用いてアプローチを検証した。
- 参考スコア(独自算出の注目度): 5.463018151091638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of deep neural networks typically increases with the number
of training images. However, not all images have the same importance towards
improved performance and robustness. In fetal brain MRI, abnormalities
exacerbate the variability of the developing brain anatomy compared to
non-pathological cases. A small number of abnormal cases, as is typically
available in clinical datasets used for training, are unlikely to fairly
represent the rich variability of abnormal developing brains. This leads
machine learning systems trained by maximizing the average performance to be
biased toward non-pathological cases. This problem was recently referred to as
hidden stratification. To be suited for clinical use, automatic segmentation
methods need to reliably achieve high-quality segmentation outcomes also for
pathological cases. In this paper, we show that the state-of-the-art deep
learning pipeline nnU-Net has difficulties to generalize to unseen abnormal
cases. To mitigate this problem, we propose to train a deep neural network to
minimize a percentile of the distribution of per-volume loss over the dataset.
We show that this can be achieved by using Distributionally Robust Optimization
(DRO). DRO automatically reweights the training samples with lower performance,
encouraging nnU-Net to perform more consistently on all cases. We validated our
approach using a dataset of 368 fetal brain T2w MRIs, including 124 MRIs of
open spina bifida cases and 51 MRIs of cases with other severe abnormalities of
brain development.
- Abstract(参考訳): ディープニューラルネットワークのパフォーマンスは通常、トレーニング画像の数によって増加する。
しかし、すべての画像が、パフォーマンスと堅牢性の改善に同じ重要性を持っているわけではない。
胎児脳mriでは、発達中の脳解剖学的異常が非病理学的例と比較して悪化する。
トレーニングに使用される臨床データセットで一般的に見られるように、少数の異常症例は、異常な発達中の脳の豊かな変動を公平に表現する可能性は低い。
これにより、非病理学的ケースに対する平均性能を最大化することでトレーニングされた機械学習システムが導かれる。
この問題は近年、隠れ層化と呼ばれるようになった。
臨床用途に適合するためには, 病的症例においても, 自動セグメンテーション法は高品質セグメンテーションの結果を確実に達成する必要がある。
本稿では,最先端のディープラーニングパイプラインであるnnu-netの一般化が困難であることを示す。
この問題を軽減するために,深層ニューラルネットワークを訓練し,データセット上のボリューム当たり損失のパーセンタイルを最小化することを提案する。
分散ロバスト最適化(DRO)を用いてこれを実現できることを示す。
DROはトレーニングサンプルを低いパフォーマンスで自動的にリウェイトし、nnU-Netがすべてのケースでより一貫して機能するように促す。
124例の開脊椎バイフィダ症例,51例の頭部MRIを含む368例の胎児脳T2wMRIを用いてアプローチを検証した。
関連論文リスト
- 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) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳(メタデータ) (2024-01-11T19:07:58Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Deep neuroevolution for limited, heterogeneous data: proof-of-concept
application to Neuroblastoma brain metastasis using a small virtual pooled
image collection [0.0]
我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。
症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。
DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
論文 参考訳(メタデータ) (2022-11-26T07:03:37Z) - Fighting the scanner effect in brain MRI segmentation with a progressive
level-of-detail network trained on multi-site data [1.6379393441314491]
LOD-Brainは3D畳み込みニューラルネットワークで、どの部位からでも脳データを分割できる。
最先端の結果を生成するが、内部サイトと外部サイトのパフォーマンスには大きな違いはない。
その移植性は、さまざまな医療機関、患者集団、画像技術製造業者に対して大規模な応用の道を開く。
論文 参考訳(メタデータ) (2022-11-04T12:15:18Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
本稿では,脳腫瘍の異常検出アルゴリズムを提案する。
健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
論文 参考訳(メタデータ) (2020-07-09T12:12:16Z) - Longitudinal Pooling & Consistency Regularization to Model Disease
Progression from MRIs [11.979581631288832]
本稿では,新しい縦型プール層に特徴抽出を結合させることにより,来訪者間の特徴を結合することを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)は,正常な274例とアルコール使用障害(AUD)329例からなる。
これら3つの実験において、我々の方法は、他の広く使われている縦断的分類法よりも優れているため、脳への条件の影響をより正確に追跡するのに一意に寄与する。
論文 参考訳(メタデータ) (2020-03-31T05:28:51Z)
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。