論文の概要: Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction

• arxiv url: http://arxiv.org/abs/2201.13081v1
• Date: Mon, 31 Jan 2022 09:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:00:40.046675
• Title: Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction
• Title（参考訳）: マルチタスク脳年齢予測を用いた深層学習を用いた3次元脳MRIにおける教師なし異常検出
• Authors: Marcel Bengs, Finn Behrendt, Max-Heinrich Laves, Julia Kr\"uger, Roland Opfer, Alexander Schlaefer
• Abstract要約: ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 53.122045119395594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lesion detection in brain Magnetic Resonance Images (MRIs) remains a challenging task. MRIs are typically read and interpreted by domain experts, which is a tedious and time-consuming process. Recently, unsupervised anomaly detection (UAD) in brain MRI with deep learning has shown promising results to provide a quick, initial assessment. So far, these methods only rely on the visual appearance of healthy brain anatomy for anomaly detection. Another biomarker for abnormal brain development is the deviation between the brain age and the chronological age, which is unexplored in combination with UAD. We propose deep learning for UAD in 3D brain MRI considering additional age information. We analyze the value of age information during training, as an additional anomaly score, and systematically study several architecture concepts. Based on our analysis, we propose a novel deep learning approach for UAD with multi-task age prediction. We use clinical T1-weighted MRIs of 1735 healthy subjects and the publicly available BraTs 2019 data set for our study. Our novel approach significantly improves UAD performance with an AUC of 92.60% compared to an AUC-score of 84.37% using previous approaches without age information.
• Abstract（参考訳）: 脳磁気共鳴画像(MRI)の病変検出は依然として難しい課題である。 MRIは通常、退屈で時間を要するプロセスであるドメインの専門家によって読み書きされる。 近年、ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は、早期の初期評価に有望な結果を示している。 これまでのところ、これらの手法は正常な脳解剖の視覚的外観にのみ依存している。 異常脳発生の別のバイオマーカーは、UADと組み合わせて探索されていない脳年齢と時間年齢のずれである。 年齢情報を考慮した3次元脳MRIの深層学習を提案する。 学習中の年齢情報の価値を付加的異常スコアとして分析し,いくつかのアーキテクチャ概念を体系的に研究した。 そこで本研究では,多タスク年齢予測を用いた新しい深層学習手法を提案する。 健常者1735例のT1強調MRIと,BraTs 2019データセットを用いて検討した。 AUCの92.60%でUAD性能を著しく向上させるのに対し、AUCの84.37%は年齢情報のないアプローチで改善する。

関連論文リスト

• Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
  本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。 次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。 提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
  論文  参考訳（メタデータ） (2024-03-02T16:13:06Z)
• Robust Brain Age Estimation via Regression Models and MRI-derived Features [2.028990630951476]
  本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。 提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
  論文  参考訳（メタデータ） (2023-06-08T19:07:22Z)
• 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)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Leveraging 3D Information in Unsupervised Brain MRI Segmentation [1.6148039130053087]
  Unsupervised Anomaly Detection (UAD) 法を提案し,Variational Autoencoder (VAE) を用いて学習した健常モデルの異常を検出する。 本稿では,UADを3D方式で実行し,2Dと3DのVAEを比較することを提案する。 サイドコントリビューションとして、堅牢なトレーニングを保証する新しい損失機能を紹介します。 学習は、健康な脳MRIの多心性データセットを使用して行われ、白マター高輝度および腫瘍病変のセグメント化性能が推定される。
  論文  参考訳（メタデータ） (2021-01-26T10:04:57Z)
• Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
  脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。 3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
  論文  参考訳（メタデータ） (2020-10-07T01:24:15Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。