論文の概要: Multiple Sclerosis Lesions Identification/Segmentation in Magnetic
Resonance Imaging using Ensemble CNN and Uncertainty Classification
- arxiv url: http://arxiv.org/abs/2108.11791v1
- Date: Thu, 26 Aug 2021 13:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 19:38:58.288237
- Title: Multiple Sclerosis Lesions Identification/Segmentation in Magnetic
Resonance Imaging using Ensemble CNN and Uncertainty Classification
- Title（参考訳）: エンサンブルCNNと不確かさ分類を用いた磁気共鳴画像における多発性硬化病変の同定・分離
- Authors: Giuseppe Placidi, Luigi Cinque, Filippo Mignosi, Matteo Polsinelli
- Abstract要約: 3つの重要な概念に基づくMS病変の同定・分類のための自動フレームワークを提案する。
提案されたフレームワークは、2016年のMSSEGベンチマーク公開データセットでトレーニング、検証、テストされている。
結果も不確実性を示すが、他のレーダとの比較は不可能である。
- 参考スコア（独自算出の注目度）: 7.260554897161948
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To date, several automated strategies for identification/segmentation of
Multiple Sclerosis (MS) lesions by Magnetic Resonance Imaging (MRI) have been
presented which are either outperformed by human experts or, at least, whose
results are well distinguishable from humans. This is due to the ambiguity
originated by MRI instabilities, peculiar MS Heterogeneity and MRI unspecific
nature with respect to MS. Physicians partially treat the uncertainty generated
by ambiguity relying on personal radiological/clinical/anatomical background
and experience.
We present an automated framework for MS lesions identification/segmentation
based on three pivotal concepts to better emulate human reasoning: the modeling
of uncertainty; the proposal of two, separately trained, CNN, one optimized
with respect to lesions themselves and the other to the environment surrounding
lesions, respectively repeated for axial, coronal and sagittal directions; the
ensemble of the CNN output.
The proposed framework is trained, validated and tested on the 2016 MSSEG
benchmark public data set from a single imaging modality, FLuid-Attenuated
Inversion Recovery (FLAIR). The comparison, performed on the segmented lesions
by means of most of the metrics normally used with respect to the ground-truth
and the 7 human raters in MSSEG, prove that there is no significant difference
between the proposed framework and the other raters. Results are also shown for
the uncertainty, though a comparison with the other raters is impossible.
- Abstract（参考訳）: 磁気共鳴画像(MRI)による多発性硬化症(MS)病変の同定・分類のためのいくつかの自動的戦略が提案されている。
これは、MRI不安定性、特異なMS異種性、MRI非特異性に起因する曖昧性によるものである。
そこで本研究では,MS病変の同定・分類を3つの重要な概念に基づく自動的枠組みとして,不確実性のモデリング,CNNの2つの個別訓練,病変自体と周囲の病変に対して最適化された1つの提案,それぞれ軸方向,冠方向,矢状方向,CNN出力のアンサンブルを提案する。
提案したフレームワークは、単一のイメージングモードであるFLAIR(FLuid-Attenuated Inversion Recovery)から2016年MSSEGベンチマークの公開データセットをトレーニングし、検証し、テストする。
また,MSSEGの接地トラスと7つのヒトラッカーに対して通常使用される指標のほとんどを用いて,分割された病変に対して行った比較では,提案した枠組みと他のラッカーとの間に有意な差は認められなかった。
不確実性についても結果が示されるが、他の利率器との比較は不可能である。
関連論文リスト
- Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。
彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。
本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-08T11:26:49Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Classification of Radiologically Isolated Syndrome and Clinically
Isolated Syndrome with Machine-Learning Techniques [0.0]
多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。
本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
論文 参考訳（メタデータ） (2024-01-24T08:49:50Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Variational Inference for Quantifying Inter-observer Variability in
Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。
特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-18T16:33:33Z) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳（メタデータ） (2022-01-05T21:37:43Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Spinal Metastases Segmentation in MR Imaging using Deep Convolutional
Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。
U-Net様アーキテクチャを用いて40例の臨床検査を行った。
専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文 参考訳（メタデータ） (2020-01-08T10:59:31Z)
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。