論文の概要: Deep Labeling of fMRI Brain Networks Using Cloud Based Processing

• arxiv url: http://arxiv.org/abs/2209.08200v1
• Date: Fri, 16 Sep 2022 23:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 18:56:19.840991
• Title: Deep Labeling of fMRI Brain Networks Using Cloud Based Processing
• Title（参考訳）: クラウドベース処理を用いたfMRI脳ネットワークのディープラベリング
• Authors: Sejal Ghate, Alberto Santa-Maria Pang, Ivan Tarapov, Haris I Sair, Craig K Jones
• Abstract要約: 静止状態fMRIは、機能領域を可視化し、局所活動を評価する神経外科的事前計画に使用される。 本稿では,クラウドベースのワークフローに rs-fMRI の画像処理を組み込んだ,エンドツーエンドの再現可能なパイプラインを提案する。 我々は、ディープラーニングを用いて、Resting State Networks(RSNs)の分類を自動化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resting state fMRI is an imaging modality which reveals brain activity localization through signal changes, in what is known as Resting State Networks (RSNs). This technique is gaining popularity in neurosurgical pre-planning to visualize the functional regions and assess regional activity. Labeling of rs-fMRI networks require subject-matter expertise and is time consuming, creating a need for an automated classification algorithm. While the impact of AI in medical diagnosis has shown great progress; deploying and maintaining these in a clinical setting is an unmet need. We propose an end-to-end reproducible pipeline which incorporates image processing of rs-fMRI in a cloud-based workflow while using deep learning to automate the classification of RSNs. We have architected a reproducible Azure Machine Learning cloud-based medical imaging concept pipeline for fMRI analysis integrating the popular FMRIB Software Library (FSL) toolkit. To demonstrate a clinical application using a large dataset, we compare three neural network architectures for classification of deeper RSNs derived from processed rs-fMRI. The three algorithms are: an MLP, a 2D projection-based CNN, and a fully 3D CNN classification networks. Each of the net-works was trained on the rs-fMRI back-projected independent components giving >98% accuracy for each classification method.
• Abstract（参考訳）: 安静状態fmri(single state fmri)は、single state network(rsns)と呼ばれる、信号変化による脳活動の局在を明らかにするイメージングモードである。 この技術は、機能領域を可視化し、地域活動を評価する神経外科的事前計画において人気を集めている。 rs-fMRIネットワークのラベル付けには、主観的な専門知識が必要であり、時間を要するため、自動分類アルゴリズムの必要性が生じる。 医療診断におけるaiの影響は大きな進展を示しているが、これらを臨床環境でデプロイし、維持することは、不当なニーズである。 本稿では,RS-fMRIの画像処理をクラウドベースのワークフローに組み込んだエンドツーエンドの再現可能なパイプラインを提案する。 fmrib software library(fsl)ツールキットを統合したfmri解析のための再現性のあるazure machine learning cloudベースの医療イメージングコンセプトパイプラインを構築した。 大規模データセットを用いた臨床応用を実証するために, 処理されたrs-fMRIから得られた深いRSNの分類のためのニューラルネットワークアーキテクチャを3つ比較した。 3つのアルゴリズムはMLP、2DプロジェクションベースのCNN、完全に3DのCNN分類ネットワークである。 それぞれのネットワークは、各分類法で98%の精度で、rs-fMRIのバックプロジェクションされた独立したコンポーネントでトレーニングされた。

関連論文リスト

• ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI [28.639321546348654]
  ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。 自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。 大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
  論文  参考訳（メタデータ） (2024-05-10T01:45:09Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 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)
• Deep Labeling of fMRI Brain Networks [0.0]
  神経外科医を誘導する前外科的計画において、安静状態機能型磁気共鳴イメージング(RS-fMRI)から抽出された脳の安静状態ネットワーク(RSN)が使用される。 臨床試験で使用される効率的で標準化された方法が欠如している。 RSNをラベル付けするための正確で高速で軽量なディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-05T19:42:11Z)
• 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)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Deep Learning-based Type Identification of Volumetric MRI Sequences [5.407839873345339]
  MRI配列の標準化されていない命名は、自動システムでは識別が困難である。 本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。 我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
  論文  参考訳（メタデータ） (2021-06-06T18:34:47Z)
• Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
  RSNA頭蓋内出血検出のためのシステムについて紹介する。 提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。 最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
  論文  参考訳（メタデータ） (2020-08-01T17:28:25Z)
• Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
  グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。 近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。 本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
  論文  参考訳（メタデータ） (2019-12-28T12:45:34Z)

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。