論文の概要: Self-normalized Classification of Parkinson's Disease DaTscan Images

• arxiv url: http://arxiv.org/abs/2112.13637v1
• Date: Mon, 27 Dec 2021 12:47:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:40:06.153562
• Title: Self-normalized Classification of Parkinson's Disease DaTscan Images
• Title（参考訳）: パーキンソン病DaTscan画像の自己正規化分類
• Authors: Yuan Zhou and Hemant D. Tagare
• Abstract要約: SPECT画像の分類には、正規化領域を使用して画像を正規化する前処理ステップが必要である。 正規化領域の選択は標準ではなく、異なる正規化領域を使用すると、正規化領域に依存した変数が導入される。 本稿では、正規化領域の効果を数学的に解析し、正規化分類が乗法同値下の画像の半光線の部分空間分離と正確に等価であることを示す。
• 参考スコア（独自算出の注目度）: 10.979758901324546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifying SPECT images requires a preprocessing step which normalizes the images using a normalization region. The choice of the normalization region is not standard, and using different normalization regions introduces normalization region-dependent variability. This paper mathematically analyzes the effect of the normalization region to show that normalized-classification is exactly equivalent to a subspace separation of the half rays of the images under multiplicative equivalence. Using this geometry, a new self-normalized classification strategy is proposed. This strategy eliminates the normalizing region altogether. The theory is used to classify DaTscan images of 365 Parkinson's disease (PD) subjects and 208 healthy control (HC) subjects from the Parkinson's Progression Marker Initiative (PPMI). The theory is also used to understand PD progression from baseline to year 4.
• Abstract（参考訳）: SPECT画像の分類には、正規化領域を使用して画像を正規化する前処理ステップが必要である。 正規化領域の選択は標準ではなく、異なる正規化領域を使用することで正規化領域依存の変動性がもたらされる。 本稿では、正規化領域の効果を数学的に解析し、正規化分類が乗法同値下の画像の半光線の部分空間分離と正確に等価であることを示す。 この幾何を用いて、新しい自己正規化分類戦略を提案する。 この戦略は正規化領域を完全に排除する。 この理論は、パーキンソン病(PD)とパーキンソン進歩マーカーイニシアチブ(PPMI)の208人の健康管理(HC)被験者のDaTscan画像の分類に用いられている。 この理論は、PD進行をベースラインから年4まで理解するためにも用いられる。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Convolutional Neural Networks for Neuroimaging in Parkinson's Disease: Is Preprocessing Needed? [0.0]
  畳み込みニューラルネットワーク(CNN)は、向き、サイズ、角度などに関係なく、オブジェクトを分類することが証明されている。 我々は、空間および強度正規化前処理を用いて、確立されたアーキテクチャに基づいて、4つの異なるCNNモデルを訓練した。 その結果、ALEXNETの3次元バージョンのような十分複雑なモデルでは空間的差異を効果的に考慮でき、診断精度は94.1%、ROC曲線は0.984であることがわかった。
  論文  参考訳（メタデータ） (2023-11-21T12:15:28Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Counterfactual Explanation and Instance-Generation using Cycle-Consistent Generative Adversarial Networks [1.5469452301122175]
  画像分類に依存しない新しい戦略を提案する。 我々は、Cycle-Consistency原則(別名CycleGAN)を利用して、教師なしの方法で翻訳を行う。 本手法は, 人工, 結核, BraTS の3つのデータセットについて検討した。
  論文  参考訳（メタデータ） (2023-01-21T11:14:34Z)
• 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)
• Hierarchical Normalization for Robust Monocular Depth Estimation [85.2304122536962]
  本研究では,空間情報と深度に基づいて,階層的に深度表現を正規化する新しいマルチスケール深度正規化手法を提案する。 実験の結果,提案手法は従来の正規化手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2022-10-18T08:18:29Z)
• 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)
• Mitigating domain shift in AI-based tuberculosis screening with unsupervised domain adaptation [0.0]
  ドメイン不変特徴学習(DIFL)は、ディープラーニング結核スクリーニングアルゴリズムの領域外一般化性を改善することができる。 結核スクリーニングを目的としたResNet-50の性能解析を行った。
  論文  参考訳（メタデータ） (2021-11-09T00:45:52Z)
• Attentive Normalization for Conditional Image Generation [126.08247355367043]
  我々は、従来のインスタンス正規化の拡張である注意的正規化(AN)により、長距離依存を特徴づける。 自己注意型GANと比較して、注意的正規化はすべての位置の相関を測る必要がない。 クラス条件の画像生成とセマンティックインパインティングの実験により,提案モジュールの有効性が検証された。
  論文  参考訳（メタデータ） (2020-04-08T06:12:25Z)
• Region Normalization for Image Inpainting [52.17610250998762]
  特徴正規化(英: Feature Normalization, FN)は、ニューラルネットワークのトレーニングを支援する重要な技術である。 本研究は,フル空間FNによる平均変化と分散変化が,ネットワークトレーニングに影響を及ぼすイメージを制限していることを示す。 本研究では,領域正規化(RN)と呼ばれる空間領域正規化を提案し,その限界を克服する。
  論文  参考訳（メタデータ） (2019-11-23T15:16:36Z)

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。