論文の概要: Negligible effect of brain MRI data preprocessing for tumor segmentation
- arxiv url: http://arxiv.org/abs/2204.05278v4
- Date: Mon, 23 Oct 2023 15:51:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 03:48:12.318115
- Title: Negligible effect of brain MRI data preprocessing for tumor segmentation
- Title（参考訳）: 腫瘍セグメンテーションにおける脳MRIデータ前処理の無視的効果
- Authors: Ekaterina Kondrateva and Polina Druzhinina and Alexandra Dalechina and
Svetlana Zolotova and Andrey Golanov and Boris Shirokikh and Mikhail Belyaev
and Anvar Kurmukov
- Abstract要約: 我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
- 参考スコア（独自算出の注目度）: 36.89606202543839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic resonance imaging (MRI) data is heterogeneous due to differences in
device manufacturers, scanning protocols, and inter-subject variability. A
conventional way to mitigate MR image heterogeneity is to apply preprocessing
transformations such as anatomy alignment, voxel resampling, signal intensity
equalization, image denoising, and localization of regions of interest.
Although a preprocessing pipeline standardizes image appearance, its influence
on the quality of image segmentation and on other downstream tasks in deep
neural networks has never been rigorously studied.
We conduct experiments on three publicly available datasets and evaluate the
effect of different preprocessing steps in intra- and inter-dataset training
scenarios. Our results demonstrate that most popular standardization steps add
no value to the network performance; moreover, preprocessing can hamper model
performance. We suggest that image intensity normalization approaches do not
contribute to model accuracy because of the reduction of signal variance with
image standardization. Finally, we show that the contribution of
skull-stripping in data preprocessing is almost negligible if measured in terms
of estimated tumor volume.
We show that the only essential transformation for accurate deep learning
analysis is the unification of voxel spacing across the dataset. In contrast,
inter-subjects anatomy alignment in the form of non-rigid atlas registration is
not necessary and intensity equalization steps (denoising, bias-field
correction and histogram matching) do not improve models' performance. The
study code is accessible online
https://github.com/MedImAIR/brain-mri-processing-pipeline
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)データは、デバイスメーカ、走査プロトコル、オブジェクト間の可変性の違いにより異種である。
MR画像の不均一性を緩和する従来の方法は、解剖学的アライメント、ボクセル再サンプリング、信号強度等化、画像のデノイング、関心領域の局在化などの前処理変換を適用することである。
前処理パイプラインは画像の外観を標準化するが、画像セグメンテーションの質や、ディープニューラルネットワークにおける他の下流タスクへの影響は厳格に研究されていない。
我々は3つの公開データセットの実験を行い、データセット内およびデータセット間トレーニングシナリオにおける異なる前処理ステップの効果を評価する。
我々の結果は、最も一般的な標準化手順がネットワーク性能に価値を与えないことを示し、さらにプリプロセッシングはモデル性能を損なう可能性がある。
画像の標準化に伴う信号ばらつきの低減により,画像強度正規化手法はモデルの精度に寄与しないことが示唆された。
最後に,データ前処理における頭蓋骨切り抜きの寄与は,腫瘍体積の推定値からみるとほとんど無視できることを示す。
正確な深層学習分析には,データセット間のボクセル間隔の統一化が不可欠であることを示す。
対照的に、非剛性アトラス登録の形での物体間解剖アライメントは不要であり、強度等化ステップ(デノイング、バイアス場補正、ヒストグラムマッチング)はモデルの性能を向上しない。
学習コードはオンラインのhttps://github.com/medimair/brain-mri-process-pipelineから利用できる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Deformation-aware GAN for Medical Image Synthesis with Substantially Misaligned Pairs [0.0]
本稿では,逆整合性に基づく画像合成における誤りを動的に補正する新しい変形認識型GAN(DA-GAN)を提案する。
実験の結果, DA-GANは, 呼吸運動異常を伴う実世界の肺MRI-CTデータセットと模擬誤診を伴う公共データセットにおいて, 優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-18T10:29:35Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳（メタデータ） (2021-10-07T11:29:03Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-11T23:53:51Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z)
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。