論文の概要: Lesion-Specific Prediction with Discriminator-Based Supervised Guided
Attention Module Enabled GANs in Multiple Sclerosis
- arxiv url: http://arxiv.org/abs/2208.14533v1
- Date: Tue, 30 Aug 2022 20:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:47:22.549341
- Title: Lesion-Specific Prediction with Discriminator-Based Supervised Guided
Attention Module Enabled GANs in Multiple Sclerosis
- Title(参考訳): 多発性硬化症におけるGANを許容する判別器を用いた誘導注意モジュールを用いた病変予測
- Authors: Jueqi Wang, Derek Berger, Erin Mazerolle, Jean-Alexis Delamer and
Jacob Levman
- Abstract要約: 多発性硬化症 (Multiple Sclerosis, MS) は、脳の白質の病変が発達するのを特徴とする慢性神経疾患である。
そこで本研究では,MSにおける将来的な病変特異的FLAIR MRIを一定時間間隔で予測するために,GAN(Generative Adversarial Network)の新たな修正を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple Sclerosis (MS) is a chronic neurological condition characterized by
the development of lesions in the white matter of the brain. T2-fluid
attenuated inversion recovery (FLAIR) brain magnetic resonance imaging (MRI)
provides superior visualization and characterization of MS lesions, relative to
other MRI modalities. Follow-up brain FLAIR MRI in MS provides helpful
information for clinicians towards monitoring disease progression. In this
study, we propose a novel modification to generative adversarial networks
(GANs) to predict future lesion-specific FLAIR MRI for MS at fixed time
intervals. We use supervised guided attention and dilated convolutions in the
discriminator, which supports making an informed prediction of whether the
generated images are real or not based on attention to the lesion area, which
in turn has potential to help improve the generator to predict the lesion area
of future examinations more accurately. We compared our method to several
baselines and one state-of-art CF-SAGAN model [1]. In conclusion, our results
indicate that the proposed method achieves higher accuracy and reduces the
standard deviation of the prediction errors in the lesion area compared with
other models with similar overall performance.
- Abstract(参考訳): 多発性硬化症(multiple sclerosis, ms)は、脳の白質病変の発生を特徴とする慢性神経疾患である。
T2-fluid attenuated inversion recovery (FLAIR) 脳磁気共鳴画像(MRI)は、他のMRI法と比較して、MS病変のより優れた可視化とキャラクタリゼーションを提供する。
フォローアップ脳のFLAIR MRIは、臨床医が疾患の進行を監視するのに役立つ情報を提供する。
本研究では,一定の時間間隔でmsの病変特異的フレイアmriを予測するために,gans(generative adversarial network)の修正を提案する。
判別器に教師付き注意と拡張畳み込みを用い, 病変領域への注意に基づいて生成画像が本物かどうかの予測を支援するとともに, ジェネレータを改良し, 将来の検査の病変面積をより正確に予測する可能性を秘めている。
提案手法をいくつかのベースラインと1つの最先端CF-SAGANモデルと比較した。
以上の結果から,本手法は病変領域における予測誤差の標準偏差を,他のモデルと比較し,精度が高く,精度も高いことが示唆された。
関連論文リスト
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery
MRI Estimation / Synthesis for Multiple Sclerosis [0.0]
多発性硬化症(Multiple Sclerosis、MS)は、慢性進行性神経疾患である。
脳MRI(FLAIR brain magnetic resonance imaging)は、他のMRI法と比較して、MS病変のより優れた可視化と特徴を提供する。
MSの縦断脳FLAIR MRIは、経時的に患者を反復的に画像化することで、臨床医が疾患の進行をモニタリングするための有用な情報を提供する。
様々な時間ラグを伴う将来の脳MRI検査の予測は、健康な老化やアルツハイマー病の構造的変性など、限られた用途でのみ試みられている。
論文 参考訳(メタデータ) (2022-09-09T12:42:00Z) - Improving the Diagnosis of Psychiatric Disorders with Self-Supervised
Graph State Space Models [0.0]
静止機能磁気共鳴画像(rs-fMRI)から異種精神疾患の診断を改善するための枠組みを提案する。
rs-fMRIデータをモデル化するために、最近提案された状態空間モデルS4への拡張であるGraph-S4を開発した。
このフレームワークとGraph-S4を組み合わせることで、3つのオープンソースマルチセンター rs-fMRI 臨床データセットにおいて、MDD と ASD のニューロイメージングに基づく単体予測モデルの診断性能が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-06-07T14:15:43Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Interpretability Aware Model Training to Improve Robustness against
Out-of-Distribution Magnetic Resonance Images in Alzheimer's Disease
Classification [8.050897403457995]
異なるMRIハードウェアから派生した分布外サンプルに対するロバスト性を改善するために,解釈可能性を考慮した対向訓練システムを提案する。
本報告では, 分布外のサンプルに対して有望な性能を示す予備的な結果を示す。
論文 参考訳(メタデータ) (2021-11-15T04:42:47Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-07-28T07:19:00Z) - Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images:
Techniques and Clinical Applications [22.410543483471915]
多発性硬化症(MS)は、中枢神経系の慢性炎症性および変性疾患である。
伝統的に、MS病変は手動で2DMRIスライスに注釈付けされている。
深層学習技術は,ms病変分割タスクにおいて著しいブレークスルーを達成した。
論文 参考訳(メタデータ) (2021-04-20T15:08:51Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。