論文の概要: Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI

• arxiv url: http://arxiv.org/abs/2210.07717v1
• Date: Fri, 14 Oct 2022 11:31:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:44:22.123557
• Title: Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI
• Title（参考訳）: Patch-based Ensemble and Transfer Learning を用いた心臓MRIの運動関連アーティファクト分類
• Authors: Ruizhe Li, Xin Chen
• Abstract要約: 本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。 トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。 トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
• 参考スコア（独自算出の注目度）: 5.186000805926489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac Magnetic Resonance Imaging (MRI) plays an important role in the analysis of cardiac function. However, the acquisition is often accompanied by motion artefacts because of the difficulty of breath-hold, especially for acute symptoms patients. Therefore, it is essential to assess the quality of cardiac MRI for further analysis. Time-consuming manual-based classification is not conducive to the construction of an end-to-end computer aided diagnostic system. To overcome this problem, an automatic cardiac MRI quality estimation framework using ensemble and transfer learning is proposed in this work. Multiple pre-trained models were initialised and fine-tuned on 2-dimensional image patches sampled from the training data. In the model inference process, decisions from these models are aggregated to make a final prediction. The framework has been evaluated on CMRxMotion grand challenge (MICCAI 2022) dataset which is small, multi-class, and imbalanced. It achieved a classification accuracy of 78.8% and 70.0% on the training set (5-fold cross-validation) and a validation set, respectively. The final trained model was also evaluated on an independent test set by the CMRxMotion organisers, which achieved the classification accuracy of 72.5% and Cohen's Kappa of 0.6309 (ranked top 1 in this grand challenge). Our code is available on Github: https://github.com/ruizhe-l/CMRxMotion.
• Abstract（参考訳）: 心臓磁気共鳴画像(MRI)は心機能解析において重要な役割を担っている。 しかし、特に急性症状の患者では息切れの難しさから、この買収には運動アーチファクトが伴うことが多い。 したがって、さらなる解析のためには、心臓MRIの品質を評価することが不可欠である。 時間を要するマニュアルベースの分類は、エンドツーエンドのコンピュータ支援診断システムの構築には適していない。 そこで本研究では,アンサンブルと転写学習を用いた自動心臓MRI品質評価フレームワークを提案する。 トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。 モデル推論プロセスでは、これらのモデルから決定を集約して最終的な予測を行う。 このフレームワークは、cmrxmotion grand challenge (miccai 2022)データセットで評価されており、小さく、多クラスで、不均衡である。 トレーニングセット(5倍のクロスバリデーション)と検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。 最終訓練モデルは、CMRxMotionのオーガナイザによる独立したテストセットでも評価され、72.5%の分類精度とコーエンのKappaの0.6309(この大挑戦で上位1位)を達成した。 私たちのコードはGithubで公開されている。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• 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)
• Classification, Regression and Segmentation directly from k-Space in Cardiac MRI [11.690226907936903]
  我々は,k空間データを直接処理するためのトランスフォーマーモデルであるKMAEを提案する。 KMAEは、重要な心臓疾患の分類、関連する表現型回帰、および心臓セグメンテーションタスクを扱うことができる。 心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
  論文  参考訳（メタデータ） (2024-07-29T15:35:35Z)
• Automatic hip osteoarthritis grading with uncertainty estimation from computed tomography using digitally-reconstructed radiographs [5.910133714106733]
  変形性股関節症(Hip OA)の重症度はCroweおよびKellgren-Lawrence分類を用いて分類されることが多い。 ディープ・ラーニング・モデルは2つのグレーティング・スキームを用いて病気の成績を予測するために訓練された。 モデルの精度は約0.65(ECA)と0.95(ONCA)である。
  論文  参考訳（メタデータ） (2023-12-30T07:28:56Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
  回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
  論文  参考訳（メタデータ） (2022-10-25T18:11:13Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  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。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
  MPR画像における狭窄の重症度を同定する自動モデルを開発した。 このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。 狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2020-01-23T15:20:22Z)

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。