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
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳(メタデータ) (2025-01-08T05:15:43Z) - Domain-Agnostic Stroke Lesion Segmentation Using Physics-Constrained Synthetic Data [0.15749416770494706]
合成定量的MRI(qMRI)画像を用いた2つの新しい手法を提案し,セグメンテーションモデルの堅牢性と一般化性を高める。
我々は,MPRAGE画像からqMRIマップを推定するために,qMRI推定モデルを訓練した。
2つ目のアプローチは、脳卒中病変のセグメンテーションのための合成データにおいて、組織ラベルのデータセットからqMRIマップを生成する。
論文 参考訳(メタデータ) (2024-12-04T13:52:05Z) - Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。
本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。
提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
論文 参考訳(メタデータ) (2024-11-19T21:42:57Z) - 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) - 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) - Site Generalization: Stroke Lesion Segmentation on Magnetic Resonance
Images from Unseen Sites [40.32385363670918]
ストロークは様々な脳血管疾患の主要な原因である。
この課題に対して深層学習に基づくモデルが提案されているが、これらのモデルを見えない場所に一般化することは困難である。
SG-Netと呼ばれるU-netベースのセグメンテーションネットワークを提案する。
論文 参考訳(メタデータ) (2022-05-09T14:33:06Z) - 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) - 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。