論文の概要: Efficient brain age prediction from 3D MRI volumes using 2D projections
- arxiv url: http://arxiv.org/abs/2211.05762v1
- Date: Thu, 10 Nov 2022 18:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 14:55:56.728760
- Title: Efficient brain age prediction from 3D MRI volumes using 2D projections
- Title(参考訳): 2次元投影による3次元MRIボリュームからの脳年齢予測
- Authors: Johan J\"onemo, Muhammad Usman Akbar, Robin K\"ampe, J Paul Hamilton,
Anders Eklund
- Abstract要約: 数個の2次元投影に2次元CNNを用いることで、脳の体積から年齢を予測する際に妥当な検査精度が得られることを示す。
20,324人の被験者による1つのトレーニングエポックは、1つのGPUで40から70秒かかり、小さな3D CNNの約100倍高速である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using 3D CNNs on high resolution medical volumes is very computationally
demanding, especially for large datasets like the UK Biobank which aims to scan
100,000 subjects. Here we demonstrate that using 2D CNNs on a few 2D
projections (representing mean and standard deviation across axial, sagittal
and coronal slices) of the 3D volumes leads to reasonable test accuracy when
predicting the age from brain volumes. Using our approach, one training epoch
with 20,324 subjects takes 40 - 70 seconds using a single GPU, which is almost
100 times faster compared to a small 3D CNN. These results are important for
researchers who do not have access to expensive GPU hardware for 3D CNNs.
- Abstract(参考訳): 高解像度医療ボリュームで3d cnnを使用することは、特に英国バイオバンクのような10万の被験者をスキャンする大規模データセットにおいて、計算上非常に要求される。
そこで本研究では,脳体積から年齢を推定する場合,2次元投影(軸,矢状,コロナスライス間の平均偏差と標準偏差)に2次元cnnを用いることで妥当な検査精度が得られることを示す。
このアプローチを用いることで、20,324人の被験者による1つのトレーニングエポックは、1つのGPUで40~70秒かかり、小さな3D CNNの約100倍高速になる。
これらの結果は、3d cnnの高価なgpuハードウェアにアクセスできない研究者にとって重要である。
関連論文リスト
- Video Pretraining Advances 3D Deep Learning on Chest CT Tasks [63.879848037679224]
大規模自然画像分類データセットの事前学習は、データスカース2D医療タスクのモデル開発に役立っている。
これらの2Dモデルは、3Dコンピュータビジョンベンチマークで3Dモデルに勝っている。
3Dモデルのためのビデオ事前トレーニングにより、より小さなデータセットでより高性能な3D医療タスクを実現することができることを示す。
論文 参考訳(メタデータ) (2023-04-02T14:46:58Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Super Images -- A New 2D Perspective on 3D Medical Imaging Analysis [0.0]
トレーニング中に3次元知識を効率的に埋め込んで3次元データを扱うための,シンプルで効果的な2次元手法を提案する。
本手法は3次元画像にスライスを並べて超高分解能画像を生成する。
2次元ネットワークのみを利用した3次元ネットワークを実現する一方で、モデルの複雑さはおよそ3倍に減少する。
論文 参考訳(メタデータ) (2022-05-05T09:59:03Z) - MedMNIST v2: A Large-Scale Lightweight Benchmark for 2D and 3D
Biomedical Image Classification [59.10015984688104]
MedMNIST v2は、MNISTに似た大規模データセットコレクションである。
得られたデータセットは708,069個の2D画像と10,214個の3D画像で構成されている。
論文 参考訳(メタデータ) (2021-10-27T22:02:04Z) - Continual 3D Convolutional Neural Networks for Real-time Processing of
Videos [93.73198973454944]
連続3次元コンテンポラルニューラルネットワーク(Co3D CNN)について紹介する。
Co3D CNNはクリップ・バイ・クリップではなく、フレーム・バイ・フレームで動画を処理する。
本研究では,既存の映像認識モデルの重みを初期化したCo3D CNNを用いて,フレームワイズ計算における浮動小数点演算を10.0-12.4倍削減し,Kinetics-400の精度を2.3-3.8倍に向上したことを示す。
論文 参考訳(メタデータ) (2021-05-31T18:30:52Z) - Improved Brain Age Estimation with Slice-based Set Networks [18.272915375351914]
本稿では,脳波予測のための新しいアーキテクチャを提案する。
提案アーキテクチャは, ディープ2D-CNNモデルを用いて, それぞれの2次元スライスをMRIで符号化することによって機能する。
次に、セットネットワークまたは置換不変層を用いて、これらの2Dスライス符号化の情報を組み合わせる。
英国のBiobankデータセットを用いたBrainAGE予測問題の実験では、置換不変層を持つモデルは、他の最先端のアプローチと比較して、より高速にトレーニングし、より良い予測を提供することが示された。
論文 参考訳(メタデータ) (2021-02-08T18:54:15Z) - Fast and Furious: Real Time End-to-End 3D Detection, Tracking and Motion
Forecasting with a Single Convolutional Net [93.51773847125014]
本研究では,3Dセンサが捉えたデータを用いて,3D検出,追跡,動作予測を共同で推論する,新たなディープニューラルネットワークを提案する。
鳥の眼球を3次元の世界として表現し,空間と時間にまたがる3次元畳み込みを行う。
論文 参考訳(メタデータ) (2020-12-22T22:43:35Z) - Dynamic Image for 3D MRI Image Alzheimer's Disease Classification [26.296422774282156]
3D畳み込みニューラルネットワーク(CNN)のトレーニングには時間と計算コストがかかる。
我々は3次元MRI画像の体積を2次元画像に変換して2次元CNNの入力として利用する。
提案したCNNモデルは、ベースライン3Dモデルよりも、アルツハイマー病の分類精度が9.5%高い。
論文 参考訳(メタデータ) (2020-11-30T21:39:32Z) - 3D Deep Learning on Medical Images: A Review [0.691592786984092]
我々は3D CNNが機械学習のルーツからどのように開発されたかの歴史を辿った。
本稿では,3次元CNNを用いた3次元医用画像解析の分野における重要な研究について概説する。
論文 参考訳(メタデータ) (2020-04-01T03:56:48Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳(メタデータ) (2020-02-11T08:24:19Z)
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。