論文の概要: Simulating Realistic MRI variations to Improve Deep Learning model and
visual explanations using GradCAM
- arxiv url: http://arxiv.org/abs/2111.00837v1
- Date: Mon, 1 Nov 2021 11:14:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 22:54:26.721167
- Title: Simulating Realistic MRI variations to Improve Deep Learning model and
visual explanations using GradCAM
- Title(参考訳): GradCAMを用いた実時間MRI変動のシミュレーションによるディープラーニングモデルと視覚的説明の改善
- Authors: Muhammad Ilyas Patel, Shrey Singla, Razeem Ahmad Ali Mattathodi, Sumit
Sharma, Deepam Gautam, Srinivasa Rao Kundeti
- Abstract要約: 修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。
Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the medical field, landmark detection in MRI plays an important role in
reducing medical technician efforts in tasks like scan planning, image
registration, etc. First, 88 landmarks spread across the brain anatomy in the
three respective views -- sagittal, coronal, and axial are manually annotated,
later guidelines from the expert clinical technicians are taken
sub-anatomy-wise, for better localization of the existing landmarks, in order
to identify and locate the important atlas landmarks even in oblique scans. To
overcome limited data availability, we implement realistic data augmentation to
generate synthetic 3D volumetric data. We use a modified HighRes3DNet model for
solving brain MRI volumetric landmark detection problem. In order to visually
explain our trained model on unseen data, and discern a stronger model from a
weaker model, we implement Gradient-weighted Class Activation Mapping
(Grad-CAM) which produces a coarse localization map highlighting the regions
the model is focusing. Our experiments show that the proposed method shows
favorable results, and the overall pipeline can be extended to a variable
number of landmarks and other anatomies.
- Abstract(参考訳): 医療分野では、MRIのランドマーク検出は、スキャン計画や画像登録などのタスクにおいて、医療技術者の努力を減らす上で重要な役割を果たす。
まず、脳の解剖学に散在する88のランドマーク -- 矢状、冠、軸 -- が手動で注釈付けされ、その後、専門臨床技術者のガイドラインは、斜めスキャンでも重要なアトラスのランドマークを特定するために、既存のランドマークのより適切な位置化のために解剖学的に取られる。
限られたデータ可用性を克服するため,合成3次元ボリュームデータを生成するために,現実的なデータ拡張を実装した。
修正されたHighRes3DNetモデルを用いて脳MRIボリュームランドマーク検出問題を解決する。
未発見のデータ上でトレーニングされたモデルを視覚的に説明し、より弱いモデルからより強固なモデルを識別するために、勾配重み付きクラスアクティベーションマッピング(grad-cam)を実装し、モデルが集中している領域を強調する粗いローカライズマップを作成します。
実験の結果,提案手法は良好な結果を示し,パイプライン全体を多数のランドマークや他の解剖学に拡張できることがわかった。
関連論文リスト
- On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Slice-level Detection of Intracranial Hemorrhage on CT Using Deep
Descriptors of Adjacent Slices [0.31317409221921133]
そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。
我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。
提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
論文 参考訳(メタデータ) (2022-08-05T23:20:37Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - Anatomical Landmarks Localization for 3D Foot Point Clouds [3.1918817988202606]
本稿では3次元解剖学的ランドマーク予測のための変形法を提案する。
臨床医によって注釈付けされた解剖学的ランドマークを持つソースモデルを使用し、ターゲットモデルにマッチするように、このモデルを厳格に変形させる。
データセット上で実験を行い,本手法のロバスト性を実証した。
論文 参考訳(メタデータ) (2021-10-03T06:24:40Z) - Self-Supervised Learning for 3D Medical Image Analysis using 3D SimCLR
and Monte Carlo Dropout [4.190672342471606]
コントラスト型(SimCLR)法に基づく3次元自己監督手法を提案する。
推論フェーズにおいてベイズニューラルネットワークを用いることで、下流タスクの結果をさらに高めることができることを示す。
論文 参考訳(メタデータ) (2021-09-29T09:15:41Z) - Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。
彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。
本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:21Z) - 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) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳(メタデータ) (2020-04-17T11:55:03Z) - IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning [18.163031102785904]
IntrAというオープンアクセス型3次元頭蓋内動脈瘤データセットを導入し、ポイントベースおよびメッシュベース分類とセグメンテーションモデルの適用を可能にした。
本データセットは頭蓋内動脈瘤の診断に有用であり, 頸部を摘出し, クリッピング術を施行した。
論文 参考訳(メタデータ) (2020-03-02T05:21:53Z)
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。