論文の概要: Automated MRI Field of View Prescription from Region of Interest Prediction by Intra-stack Attention Neural Network

• arxiv url: http://arxiv.org/abs/2211.04703v1
• Date: Wed, 9 Nov 2022 06:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 17:43:07.412483
• Title: Automated MRI Field of View Prescription from Region of Interest Prediction by Intra-stack Attention Neural Network
• Title（参考訳）: スタック内アテンションニューラルネットワークによる関心予測領域からのビュー記述の自動MRIフィールド
• Authors: Ke Lei, Ali B. Syed, Xucheng Zhu, John M. Pauly, Shreyas S. Vasanawala
• Abstract要約: MRI技術者による視野のマニュアル処方(FOV)は可変であり、スキャンプロセスを延長する。 本稿では,放射線科医の指導のもと,FOV処方薬の自動化のためのディープラーニングフレームワークを提案する。 提案モデルでは,平均IoUは0.867で,平均ROI位置誤差は80のケースで512ピクセル中9.06である。
• 参考スコア（独自算出の注目度）: 10.247651979368062
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Manual prescription of the field of view (FOV) by MRI technologists is variable and prolongs the scanning process. Often, the FOV is too large or crops critical anatomy. We propose a deep-learning framework, trained by radiologists' supervision, for automating FOV prescription. An intra-stack shared feature extraction network and an attention network are used to process a stack of 2D image inputs to generate output scalars defining the location of a rectangular region of interest (ROI). The attention mechanism is used to make the model focus on the small number of informative slices in a stack. Then the smallest FOV that makes the neural network predicted ROI free of aliasing is calculated by an algebraic operation derived from MR sampling theory. We retrospectively collected 595 cases between February 2018 and February 2022. The framework's performance is examined quantitatively with intersection over union (IoU) and pixel error on position, and qualitatively with a reader study. We use the t-test for comparing quantitative results from all models and a radiologist. The proposed model achieves an average IoU of 0.867 and average ROI position error of 9.06 out of 512 pixels on 80 test cases, significantly better (P<0.05) than two baseline models and not significantly different from a radiologist (P>0.12). Finally, the FOV given by the proposed framework achieves an acceptance rate of 92% from an experienced radiologist.
• Abstract（参考訳）: mri技術者によるフィールドオブビュー(fov)の手動処方は可変であり、走査プロセスを延長する。 FOVは大きすぎるか、作物にとって重要な解剖学であることが多い。 本稿では,放射線科医が指導する深層学習フレームワークを提案する。 スタック内共有特徴抽出ネットワークと注意ネットワークを用いて、2d画像入力のスタックを処理し、関心の矩形領域(roi)の位置を定義する出力スカラーを生成する。 注意機構は、モデルがスタック内の少数の情報的なスライスに焦点を合わせるために使用される。 次に、MRサンプリング理論から導かれる代数演算により、ニューラルネットワークの予測ROIをエイリアシングから解放する最小のFOVを算出する。 2018年2月から2022年2月までに595例を回顧調査した。 フレームワークの性能は、結合(IoU)と位置の画素誤差とを定量的に比較し、また、読者による研究と定性的に比較する。 我々は,全モデルと放射線科医の定量的結果を比較するためにt-testを用いた。 提案モデルでは, 平均IoU 0.867, 平均ROI 誤差は512ピクセル中9.06, 2基モデルではP<0.05) が有意に向上し, 放射線学ではP>0.12) と有意差は認められなかった。 最後に, 提案したフレームワークによるFOVは, 経験者から92%の受入率を達成する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Vision Transformer-based Model for Severity Quantification of Lung Pneumonia Using Chest X-ray Images [11.12596879975844]
  我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。 本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
  論文  参考訳（メタデータ） (2023-03-18T12:38:23Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Optimising Knee Injury Detection with Spatial Attention and Validating Localisation Ability [0.5772546394254112]
  この研究は、膝の外傷検出を最適化するための空間的注意ブロックを備えた、事前訓練された多視点畳み込みニューラルネットワーク(CNN)を用いている。 画像レベルのラベルが付いたオープンソースのMRIデータセットを用いて解析を行った。
  論文  参考訳（メタデータ） (2021-08-18T13:24:17Z)
• Attention-based Multi-scale Gated Recurrent Encoder with Novel Correlation Loss for COVID-19 Progression Prediction [3.3070542851160782]
  本研究は,CXRから肺浸潤の進展を予測するための深層学習に基づくアプローチを提案する。 本枠組みは,前回のCXRから表象を学習し,その日の患者に対するゾーンワイド病重症度を予測する。
  論文  参考訳（メタデータ） (2021-07-18T00:37:55Z)
• Accurate Tumor Tissue Region Detection with Accelerated Deep Convolutional Neural Networks [12.7414209590152]
  がん診断のための手動の病理診断は、退屈で反復的である。 我々のアプローチであるFLASHは、ディープ畳み込みニューラルネットワーク(DCNN)アーキテクチャに基づいている。 計算コストを削減し、一般的なディープラーニングアプローチよりも2桁の速さで高速である。
  論文  参考訳（メタデータ） (2020-04-18T08:24:27Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)
• 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。