論文の概要: DeepDefacer: Automatic Removal of Facial Features via U-Net Image
Segmentation
- arxiv url: http://arxiv.org/abs/2205.15536v1
- Date: Tue, 31 May 2022 04:51:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 13:58:49.379224
- Title: DeepDefacer: Automatic Removal of Facial Features via U-Net Image
Segmentation
- Title（参考訳）: deepdefacer: u-netイメージセグメンテーションによる顔特徴の自動除去
- Authors: Anish Khazane, Julien Hoachuck, Krzysztof J. Gorgolewski, Russell A.
Poldrack
- Abstract要約: 我々は、ディープラーニングのMRI匿名化への応用であるDeepDefacerを紹介した。
DeepDefacerは、3D U-Netネットワークを使ってMRI画像の顔領域を隠蔽する。
我々は、脳開発機構(IXI)と国際脳地図コンソーシアム(ICBM)からMRI画像のDeepDefacerを訓練する。
- 参考スコア（独自算出の注目度）: 0.22366638308792727
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advancements in the field of magnetic resonance imaging (MRI) have
enabled large-scale collaboration among clinicians and researchers for
neuroimaging tasks. However, researchers are often forced to use outdated and
slow software to anonymize MRI images for publication. These programs
specifically perform expensive mathematical operations over 3D images that
rapidly slow down anonymization speed as an image's volume increases in size.
In this paper, we introduce DeepDefacer, an application of deep learning to MRI
anonymization that uses a streamlined 3D U-Net network to mask facial regions
in MRI images with a significant increase in speed over traditional
de-identification software. We train DeepDefacer on MRI images from the Brain
Development Organization (IXI) and International Consortium for Brain Mapping
(ICBM) and quantitatively evaluate our model against a baseline 3D U-Net model
with regards to Dice, recall, and precision scores. We also evaluate
DeepDefacer against Pydeface, a traditional defacing application, with regards
to speed on a range of CPU and GPU devices and qualitatively evaluate our
model's defaced output versus the ground truth images produced by Pydeface. We
provide a link to a PyPi program at the end of this manuscript to encourage
further research into the application of deep learning to MRI anonymization.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)の分野での最近の進歩は、臨床医と研究者の間で大規模なコラボレーションを可能にしている。
しかし、研究者はしばしば、古い遅いソフトウェアを使って、出版のためにMRI画像の匿名化を迫られる。
これらのプログラムは特に3d画像上で高価な数学的操作を行い、画像のサイズが大きくなるにつれて匿名化速度を急速に遅くする。
本稿では,mri画像中の顔領域を高速にマスキングする3d u-netネットワークを用いた,ディープラーニングを用いたmri匿名化手法であるdeepdefacerについて紹介する。
我々は、脳開発機構(IXI)と国際脳マッピング機構(ICBM)からMRI画像のDeepDefacerをトレーニングし、Dice、リコール、精度スコアに関するベースライン3D U-Netモデルに対して、我々のモデルを定量的に評価する。
また,従来のデファクトアプリケーションであるpydefaceに対するdeepdefacerの評価を行い,cpuおよびgpuデバイスの速度について評価し,pydefaceが生成するグランド・トゥルート画像と比較して,モデルのデファクトアウトプットを質的に評価した。
我々は,この原稿の最後にPyPiプログラムへのリンクを提供し,深層学習のMRI匿名化への応用についてさらなる研究を奨励する。
関連論文リスト
- Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - Mask-Guided Attention U-Net for Enhanced Neonatal Brain Extraction and Image Preprocessing [0.9674145073701153]
マスク誘導型アテンションニューラルネットワークMGA-Netについて紹介する。
他の構造から脳を抽出し、高品質な脳画像の再構築を目的としている。
今回提案したMGA-Netを,様々な臨床設定と新生児年齢群から得られた多様なデータセットで広範囲に検証した。
論文 参考訳（メタデータ） (2024-06-25T16:48:18Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - MELAGE: A purely python based Neuroimaging software (Neonatal) [1.3654846342364308]
先駆的なPythonベースのニューロイメージングソフトウェアであるMELAGEは、医療画像の可視化、処理、分析のための汎用ツールとして登場した。
MELAGEは当初、新生児期に3D超音波とMRIの脳画像を処理するというユニークな課題に対処するために考案され、顕著な適応性を示した。
論文 参考訳（メタデータ） (2023-09-12T19:54:35Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - MProtoNet: A Case-Based Interpretable Model for Brain Tumor
Classification with 3D Multi-parametric Magnetic Resonance Imaging [0.6445605125467573]
本稿では,3D Multi-parametric magnetic resonance imaging (mpMRI)データを用いて,ProtoPNetを脳腫瘍分類に拡張する最初の医用プロトタイプネットワーク(MProtoNet)を提案する。
MProtoNetは、正確性とローカライゼーションコヒーレンスの両方の解釈可能性指標の統計的に有意な改善を実現している。
論文 参考訳（メタデータ） (2023-04-13T04:39:21Z) - DeepBrainPrint: A Novel Contrastive Framework for Brain MRI
Re-Identification [2.5855676778881334]
我々はDeepBrainPrintというAIベースのフレームワークを提案し、同じ患者の脳MRIスキャンを検索する。
当社のフレームワークは,3つの主要なイノベーションを伴う,半自己指導型のコントラスト型ディープラーニングアプローチです。
DeepBrainPrintをアルツハイマー病脳画像イニシアチブ(ADNI)のT1強調脳MRIの大規模なデータセットでテストした。
論文 参考訳（メタデータ） (2023-02-25T11:03:16Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - 3D Reconstruction and Segmentation of Dissection Photographs for
MRI-free Neuropathology [2.4984854046383624]
脳郭清画像から全脳像量を再構成・分画する手法を提案する。
3次元再構成は、MRI以外の参照ボリュームを使用する共同登録フレームワークによって達成される。
我々は,Diceスコアとボリューム相関を用いて,24脳のデータセット上で本手法の評価を行った。
論文 参考訳（メタデータ） (2020-09-11T18:21:00Z)
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。