論文の概要: A New Automatic Change Detection Frame-work Based on Region Growing and Weighted Local Mutual Information: Analysis of Breast Tumor Response to Chemotherapy in Serial MR Images

• arxiv url: http://arxiv.org/abs/2110.10242v1
• Date: Tue, 19 Oct 2021 20:28:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 08:40:27.263427
• Title: A New Automatic Change Detection Frame-work Based on Region Growing and Weighted Local Mutual Information: Analysis of Breast Tumor Response to Chemotherapy in Serial MR Images
• Title（参考訳）: 局所的な局所的相互情報の局所的成長と重み付けに基づく新しい自動変化検出フレームワーク:MR画像における化学療法による乳房腫瘍反応の解析
• Authors: Narges Norouzi, Reza Azmi, Nooshin Noshiri, Robab Anbiaee
• Abstract要約: 本稿では,2段階からなる効果的な自動変更検出フレームワークを提案する。 前処理段階では、従来の方法よりもノイズに強い強度正規化法が提案されている。 検出段階では、領域成長に基づくアプローチが、非現実的なアプローチと大きな変化を区別することを示唆している。
• 参考スコア（独自算出の注目度）: 1.955125726293071
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automatic analysis of subtle changes between longitudinal MR images is an important task as it is still a challenging issue in scope of the breast medical image processing. In this paper we propose an effective automatic change detection framework composed of two phases since previously used methods have features with low distinctive power. First, in the preprocessing phase an intensity normalization method is suggested based on Hierarchical Histogram Matching (HHM) that is more robust to noise than previous methods. To eliminate undesirable changes and extract the regions containing significant changes the proposed Extraction Region of Changes (EROC) method is applied based on intensity distribution and Hill-Climbing algorithm. Second, in the detection phase a region growing-based approach is suggested to differentiate significant changes from unreal ones. Due to using proposed Weighted Local Mutual Information (WLMI) method to extract high level features and also utilizing the principle of the local consistency of changes, the proposed approach enjoys reasonable performance. The experimental results on both simulated and real longitudinal Breast MR Images confirm the effectiveness of the proposed framework. Also, this framework outperforms the human expert in some cases which can detect many lesion evolutions that are missed by expert.
• Abstract（参考訳）: 経時的MRI画像間の微妙な変化の自動解析は、乳房画像処理の範囲ではまだ難しい課題であるため、重要な課題である。 本稿では,従来の手法では特徴が低いため,2つの位相からなる効率的な自動変化検出フレームワークを提案する。 まず,前処理段階では,従来の手法よりも雑音に頑健な階層ヒストグラムマッチング(hhm)に基づいて強度正規化法を提案する。 望ましくない変化を排除し,重要な変化を含む領域を抽出するために,強度分布とヒルクライミングアルゴリズムに基づいて提案手法を適用した。 第2に,検出段階では,領域成長に基づくアプローチが,非現実的な変化と大きく異なることを示唆する。 重み付き局所相互情報(WLMI)法を用いて高次特徴を抽出し,また局所的な変化の一貫性の原理を利用するため,提案手法は妥当な性能を享受できる。 シミュレーションおよび実縦型胸部mr画像における実験結果から,提案手法の有効性を確認した。 また、このフレームワークは、専門家が見逃した多くの病変の進化を検出できるいくつかのケースにおいて、人間専門家を上回る。

関連論文リスト

• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [14.39502951611029]
  構造類似度指数の損失をl1損失と組み合わせた核融合品質損失関数を提案する。 また,正常領域と異常領域の平均強度比(AIR)を高めるデータ前処理戦略を導入し,異常の識別を改善した。 提案したIQAアプローチは,BraTS21(T2,FLAIR)およびMSULBデータセット上のDice係数(DICE)とAUPRC(Area Under the Precision-Recall Curve)において,大幅な改善(>10%)を達成している。
  論文  参考訳（メタデータ） (2024-08-15T15:55:07Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis [4.5484714814315685]
  BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。 提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。 5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-10T10:06:54Z)
• Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
  本稿では,2段階の深層学習(DL)フレームワークを提案する。 第1段階は、脳MRI全体から視床領域を特定して収穫する。 第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
  論文  参考訳（メタデータ） (2020-11-03T23:43:52Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。