論文の概要: A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation
- arxiv url: http://arxiv.org/abs/2203.00628v1
- Date: Tue, 1 Mar 2022 17:16:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 15:55:42.544918
- Title: A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation
- Title（参考訳）: マルチパラメトリックMRIによるグリオーマセグメンテーションにおけるディープニューラルネットワーク挙動の可視化のためのニューラル正規微分方程式モデル
- Authors: Zhenyu Yang, Zongsheng Hu, Hangjie Ji, Kyle Lafata, Scott Floyd,
Fang-Fang Yin, Chunhao Wang
- Abstract要約: 我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
- 参考スコア（独自算出の注目度）: 3.1435638364138105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop a neural ordinary differential equation (ODE) model for
visualizing deep neural network (DNN) behavior during multi-parametric MRI
(mp-MRI) based glioma segmentation as a method to enhance deep learning
explainability. Methods: By hypothesizing that deep feature extraction can be
modeled as a spatiotemporally continuous process, we designed a novel deep
learning model, neural ODE, in which deep feature extraction was governed by an
ODE without explicit expression. The dynamics of 1) MR images after
interactions with DNN and 2) segmentation formation can be visualized after
solving ODE. An accumulative contribution curve (ACC) was designed to
quantitatively evaluate the utilization of each MRI by DNN towards the final
segmentation results. The proposed neural ODE model was demonstrated using 369
glioma patients with a 4-modality mp-MRI protocol: T1, contrast-enhanced T1
(T1-Ce), T2, and FLAIR. Three neural ODE models were trained to segment
enhancing tumor (ET), tumor core (TC), and whole tumor (WT). The key MR
modalities with significant utilization by DNN were identified based on ACC
analysis. Segmentation results by DNN using only the key MR modalities were
compared to the ones using all 4 MR modalities. Results: All neural ODE models
successfully illustrated image dynamics as expected. ACC analysis identified
T1-Ce as the only key modality in ET and TC segmentations, while both FLAIR and
T2 were key modalities in WT segmentation. Compared to the U-Net results using
all 4 MR modalities, Dice coefficient of ET (0.784->0.775), TC (0.760->0.758),
and WT (0.841->0.837) using the key modalities only had minimal differences
without significance. Conclusion: The neural ODE model offers a new tool for
optimizing the deep learning model inputs with enhanced explainability. The
presented methodology can be generalized to other medical image-related deep
learning applications.
- Abstract（参考訳）: 目的:多パラメータmri(mp-mri)を用いたグリオーマセグメンテーションによる深層ニューラルネットワーク(dnn)行動の可視化のための神経常微分方程式(ode)モデルを開発すること。
方法: 深部特徴抽出を時空間連続的なプロセスとしてモデル化できると仮定することにより, 深部特徴抽出を明示的表現のないODEで制御する新しい深部学習モデル, ニューラルODEを設計した。
動力学は
1)DNNおよびMR画像との相互作用
2)セグメンテーション形成はODEを解いた後に可視化できる。
最終分節結果に対するdnnによる各mriの利用を定量的に評価するaccumulative contribution curve (acc) を考案した。
提案するニューラルodeモデルは,4モードmp-mriプロトコルt1,コントラスト強調t1(t1-ce),t2,flairを用いた369例で実証された。
3つのニューラルODEモデルを用いて, 造影腫瘍(ET), 腫瘍コア(TC), 腫瘍全体(WT)の分節を訓練した。
DNNによる重要なMRモダリティをACC分析により同定した。
主要なMRモーダルのみを用いたDNNのセグメンテーション結果と4つのMRモーダルのセグメンテーション結果を比較した。
結果:すべてのニューラルODEモデルは,画像のダイナミックスを期待どおりに説明できた。
ACC分析では,ETおよびTCセグメンテーションにおいてT1-Ceが唯一のキーモダリティであり,FLAIRとT2はWTセグメンテーションにおいてキーモダリティであった。
すべての4つのMRモードを用いたU-Net結果と比較して、ET(0.784->0.775)、TC(0.760->0.758)およびWT(0.841->0.837)のDice係数は、有意な差を伴わずに最小の差しか持たなかった。
結論: ニューラルODEモデルは、説明可能性を高めてディープラーニングモデルの入力を最適化する新しいツールを提供する。
提案手法は,他の医用画像関連深層学習アプリケーションに一般化することができる。
関連論文リスト
- DeepThalamus: A novel deep learning method for automatic segmentation of
brain thalamic nuclei from multimodal ultra-high resolution MRI [32.73124984242397]
超高分解能(0.125mm3)での視床核分割のための多モード体積深部ニューラルネットワークの設計と実装を行った。
超高分解能T1,T2,White Matter nulled (WMn) 画像を用いて半自動分割視床核のデータベースを構築した。
ディープラーニングに基づく新しい戦略は、自動セグメンテーションを得るために設計され、その堅牢性とアクカリティを改善するために訓練された。
論文 参考訳（メタデータ） (2024-01-15T14:59:56Z) - A Radiomics-Incorporated Deep Ensemble Learning Model for
Multi-Parametric MRI-based Glioma Segmentation [5.890417404600585]
グリオーマのセグメンテーション精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。
このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
論文 参考訳（メタデータ） (2023-03-19T02:16:55Z) - Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳（メタデータ） (2023-01-23T15:22:42Z) - DEMAND: Deep Matrix Approximately NonlinearDecomposition to Identify
Meta, Canonical, and Sub-Spatial Pattern of functional Magnetic Resonance
Imaging in the Human Brain [8.93274096260726]
本研究では,SDL(Sparse Dictionary Learning)やDNN(Deep Neural Networks)といった浅い線形モデルを活用するために,Deep A roughly Decomposition(DEMAND)という新しい非線形行列分解法を提案する。
DEMANDは、人間の脳の再現可能な代謝、正準的、および部分空間的特徴を、他の仲間の方法論よりも効率的に明らかにすることができる。
論文 参考訳（メタデータ） (2022-05-20T15:55:01Z) - Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas
Using Magnetic Resonance Imaging [24.418025043887678]
階層的分類パラダイムに基づく5つのグリオーマサブタイプ予測のためのDCNNモデルを開発した。
受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。
以上の結果から,開発したDCNNモデルではグリオーマサブタイプを十分な非平衡トレーニングデータで予測できることが示唆された。
論文 参考訳（メタデータ） (2022-03-10T14:46:20Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳（メタデータ） (2020-02-22T22:12:56Z) - Deep Learning Estimation of Multi-Tissue Constrained Spherical
Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。
2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。
繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
論文 参考訳（メタデータ） (2020-02-20T15:59:03Z)
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。