Fugu-MT 論文翻訳(概要): CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients

論文の概要: CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients

arxiv url: http://arxiv.org/abs/2205.05545v1
Date: Wed, 11 May 2022 14:46:01 GMT
ステータス: 処理完了
システム内更新日: 2022-05-12 18:07:56.376277
Title: CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients
Title（参考訳）: CNN-LSTMを用いたマルチモーダルMRIと臨床データ融合による脳卒中患者の予後予測
Authors: Nima Hatami and Tae-Hee Cho and Laura Mechtouff and Omer Faruk Eker and David Rousseau and Carole Frindel
Abstract要約: 脳卒中患者の管理において臨床結果予測は重要な役割を担っている。機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
参考スコア（独自算出の注目度）: 1.5250925845050138
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Clinical outcome prediction plays an important role in stroke patient management. From a machine learning point-of-view, one of the main challenges is dealing with heterogeneous data at patient admission, i.e. the image data which are multidimensional and the clinical data which are scalars. In this paper, a multimodal convolutional neural network - long short-term memory (CNN-LSTM) based ensemble model is proposed. For each MR image module, a dedicated network provides preliminary prediction of the clinical outcome using the modified Rankin scale (mRS). The final mRS score is obtained by merging the preliminary probabilities of each module dedicated to a specific type of MR image weighted by the clinical metadata, here age or the National Institutes of Health Stroke Scale (NIHSS). The experimental results demonstrate that the proposed model surpasses the baselines and offers an original way to automatically encode the spatio-temporal context of MR images in a deep learning architecture. The highest AUC (0.77) was achieved for the proposed model with NIHSS.
Abstract（参考訳）: 脳卒中患者の管理には臨床結果予測が重要である。機械学習の観点から考えると、主な課題の1つは、入院時の異種データ、すなわち多次元の画像データとスカラーである臨床データを扱うことである。本稿では,マルチモーダル畳み込みニューラルネットワーク-long short-term memory(cnn-lstm)に基づくアンサンブルモデルを提案する。各MR画像モジュールに対して、専用ネットワークは、修正されたランキンスケール(mRS)を使用して臨床結果の予備的な予測を提供する。最終mRSスコアは、臨床メタデータによって重み付けされた特定の種類のMR画像専用の各モジュールの予備確率をこの年齢または国立衛生ストローク尺度(NIHSS)にマージすることによって得られる。実験の結果,提案モデルがベースラインを越え,mr画像の時空間的コンテキストをディープラーニングアーキテクチャで自動的にエンコードする独自の方法が得られた。最も高いAUC (0.77) はNIHSSで提案されたモデルで達成された。

関連論文リスト

Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文参考訳（メタデータ） (2024-03-27T02:42:52Z)
SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
CoNeS: Conditional neural fields with shift modulation for multi-sequence MRI translation [5.662694302758443]
マルチシーケンスMRI(Multi-sequence magnetic resonance imaging)は、現代の臨床研究とディープラーニング研究の両方に広く応用されている。画像取得プロトコルの違いや、患者のコントラスト剤の禁忌が原因で、MRIの1つ以上の配列が欠落することがしばしば起こる。 1つの有望なアプローチは、生成モデルを利用して欠落したシーケンスを合成することであり、これはサロゲート獲得の役割を果たす。
論文参考訳（メタデータ） (2023-09-06T19:01:58Z)
A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
論文参考訳（メタデータ） (2023-02-02T09:49:07Z)
A multi-stream convolutional neural network for classification of progressive MCI in Alzheimer's disease using structural MRI images [0.23633885460047763]
安定したMCIとプログレッシブMCIを分類するために,パッチベースの画像データを用いたマルチストリーム深層畳み込みニューラルネットワークを提案する。まず,アルツハイマー病のMRI画像と認知正常な被験者を比較し,解剖学的特徴を識別する。これらのランドマークは、MRI画像を分類するために提案されたマルチストリーム畳み込みニューラルネットワークに供給されるパッチを抽出するために使用される。
論文参考訳（メタデータ） (2022-03-03T15:14:13Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文参考訳（メタデータ） (2021-03-03T03:04:40Z)
Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文参考訳（メタデータ） (2020-08-12T16:06:25Z)
Prediction of Thrombectomy Functional Outcomes using Multimodal Data [2.358784542343728]
本稿では,マルチモーダルデータを直接活用し,血管内治療の成功を推定するための新しいディープラーニング手法を提案する。我々は、チャネルワイドおよび空間的にグローバルな特徴間距離をモデル化するためのアテンションメカニズムをアーキテクチャに組み込んだ。
論文参考訳（メタデータ） (2020-05-26T21:51:58Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。