論文の概要: Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images
- arxiv url: http://arxiv.org/abs/2206.06725v1
- Date: Tue, 14 Jun 2022 10:16:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 14:03:58.816852
- Title: Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images
- Title（参考訳）: 脳MRI画像における動きアーチファクトの検出と定量化のための自動SSIM回帰
- Authors: Alessandro Sciarra, Soumick Chatterjee, Max D\"unnwald, Giuseppe
Placidi, Andreas N\"urnberger, Oliver Speck and Steffen Oeltze-Jafra
- Abstract要約: 磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
- 参考スコア（独自算出の注目度）: 54.739076152240024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion artefacts in magnetic resonance brain images are a crucial issue. The
assessment of MR image quality is fundamental before proceeding with the
clinical diagnosis. If the motion artefacts alter a correct delineation of
structure and substructures of the brain, lesions, tumours and so on, the
patients need to be re-scanned. Otherwise, neuro-radiologists could report an
inaccurate or incorrect diagnosis. The first step right after scanning a
patient is the "\textit{image quality assessment}" in order to decide if the
acquired images are diagnostically acceptable. An automated image quality
assessment based on the structural similarity index (SSIM) regression through a
residual neural network has been proposed here, with the possibility to perform
also the classification in different groups - by subdividing with SSIM ranges.
This method predicts SSIM values of an input image in the absence of a
reference ground truth image. The networks were able to detect motion
artefacts, and the best performance for the regression and classification task
has always been achieved with ResNet-18 with contrast augmentation. Mean and
standard deviation of residuals' distribution were $\mu=-0.0009$ and
$\sigma=0.0139$, respectively. Whilst for the classification task in 3, 5 and
10 classes, the best accuracies were 97, 95 and 89\%, respectively. The
obtained results show that the proposed method could be a tool in supporting
neuro-radiologists and radiographers in evaluating the image quality before the
diagnosis.
- Abstract（参考訳）: 磁気共鳴脳画像における運動アーティファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
運動アーチファクトが脳、病変、腫瘍などの構造やサブ構造を正しく変化させる場合、患者は再スキャンされる必要がある。
そうでなければ、神経放射線科医は不正確な診断や誤診を報告できる。
患者をスキャンした直後の最初のステップは「\textit{image quality Assessment}」であり、取得した画像が診断的に許容されるかどうかを決定する。
本稿では,構造的類似度指標(ssim)回帰に基づく画像品質の自動評価手法を提案し,ssim範囲を分割することにより,異なるグループで分類を行うことが可能となった。
本手法は、基準基底真理画像がない場合に入力画像のSSIM値を予測する。
ネットワークはモーションアーティファクトを検出することができ、レグレッションと分類タスクの最高の性能は常にresnet-18でコントラスト拡張によって達成されている。
残留物の平均偏差と標準偏差はそれぞれ$\mu=-0.0009$と$\sigma=0.0139$であった。
3級,5級,10級の分類課題では,それぞれ97,95,89\%であった。
以上の結果から, 提案手法は, 診断前の画像品質を評価する上で, 神経放射線科医やラジオグラフィーを支援できる可能性が示唆された。
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) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。
まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。
3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
論文 参考訳（メタデータ） (2024-06-18T09:53:07Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳（メタデータ） (2022-11-05T10:27:37Z) - Artifact- and content-specific quality assessment for MRI with image
rulers [11.551528894727573]
臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。
画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。
キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-06T02:17:12Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - 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) - Semi-Supervised Learning for Fetal Brain MRI Quality Assessment with ROI
consistency [1.7757605747890044]
T2強調胎児脳MRIの現在のプロトコルは、運動に対して堅牢ではない。
脳の容積スキャン中に人工物でスライスを検出する半教師付き深層学習法を提案する。
提案手法は、モデル精度を約6%向上させ、他の最先端の半教師あり学習法より優れる。
論文 参考訳（メタデータ） (2020-06-23T02:40:45Z) - Improved inter-scanner MS lesion segmentation by adversarial training on
longitudinal data [0.0]
ホワイトマター病変進展の評価は,MS患者の経過観察において重要なバイオマーカーである。
現在の自動病変分割アルゴリズムは、MRIスキャナーやプロトコルの違いに関連する画像特性の変化の影響を受けやすい。
スキャン間研究におけるMS病変のセグメンテーションの整合性を改善するモデルを提案する。
論文 参考訳（メタデータ） (2020-02-03T16:56:05Z)
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。