論文の概要: Deep neuroevolution for limited, heterogeneous data: proof-of-concept application to Neuroblastoma brain metastasis using a small virtual pooled image collection

• arxiv url: http://arxiv.org/abs/2211.14499v1
• Date: Sat, 26 Nov 2022 07:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 14:29:16.818614
• Title: Deep neuroevolution for limited, heterogeneous data: proof-of-concept application to Neuroblastoma brain metastasis using a small virtual pooled image collection
• Title（参考訳）: 限られた異種データに対する深層神経進化 : 仮想プール画像を用いた神経芽腫脳転移に対する概念実証的応用
• Authors: Subhanik Purkayastha, Hrithwik Shalu, David Gutman, Shakeel Modak, Ellen Basu, Brian Kushner, Kim Kramer, Sofia Haque and Joseph Stember
• Abstract要約: 我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。 症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。 DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) in radiology has made great strides in recent years, but many hurdles remain. Overfitting and lack of generalizability represent important ongoing challenges hindering accurate and dependable clinical deployment. If AI algorithms can avoid overfitting and achieve true generalizability, they can go from the research realm to the forefront of clinical work. Recently, small data AI approaches such as deep neuroevolution (DNE) have avoided overfitting small training sets. We seek to address both overfitting and generalizability by applying DNE to a virtually pooled data set consisting of images from various institutions. Our use case is classifying neuroblastoma brain metastases on MRI. Neuroblastoma is well-suited for our goals because it is a rare cancer. Hence, studying this pediatric disease requires a small data approach. As a tertiary care center, the neuroblastoma images in our local Picture Archiving and Communication System (PACS) are largely from outside institutions. These multi-institutional images provide a heterogeneous data set that can simulate real world clinical deployment. As in prior DNE work, we used a small training set, consisting of 30 normal and 30 metastasis-containing post-contrast MRI brain scans, with 37% outside images. The testing set was enriched with 83% outside images. DNE converged to a testing set accuracy of 97%. Hence, the algorithm was able to predict image class with near-perfect accuracy on a testing set that simulates real-world data. Hence, the work described here represents a considerable contribution toward clinically feasible AI.
• Abstract（参考訳）: 放射線学における人工知能(AI)は近年大きな進歩を遂げているが、多くのハードルが残っている。 オーバーフィッティングと一般化性の欠如は、正確で信頼性の高い臨床展開を妨げる重要な課題である。 もしAIアルゴリズムが過度な適合を避け、真の一般化性を達成することができれば、彼らは研究領域から臨床研究の最前線に進むことができる。 近年、deep neuroevolution (dne)のような小さなデータaiアプローチは、小さなトレーニングセットの過剰フィットを避けている。 我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用し,過剰適合性と一般化性の両方に対処する。 症例はMRIによる神経芽腫脳転移の分類である。 神経芽腫は稀な癌であるため,目的に適している。 したがって、この小児病の研究には小さなデータアプローチが必要である。 第3のケアセンターとして、当社のローカルPicture Archiving and Communication System(PACS)の神経芽細胞腫像は、主に外部機関のものである。 これらの多施設画像は、実世界の臨床展開をシミュレートできる異種データセットを提供する。 DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用した。 テストセットは83%の外部画像で強化された。 DNEはテストセットの精度が97%に収束した。 そのため、アルゴリズムは実世界のデータをシミュレートするテストセット上で、ほぼ完璧な精度で画像クラスを予測することができた。 したがって、この研究は、臨床的に実現可能なAIに対するかなりの貢献を示している。

関連論文リスト

• Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models [1.2382905694337476]
  本研究は、胎児脳fMRI, MRI(fMRI)における自動脳セグメンテーションのための人工知能(AI)の新たな応用を紹介した。 3D UNet、VNet、HighResNetの3つのAIモデルが採用された。 以上の結果から,胎児の安静時fMRI脳セグメンテーションにおける各種AIモデルの性能が明らかにされた。
  論文  参考訳（メタデータ） (2023-11-17T19:57:05Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [60.20736568336466]
  臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。 我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。 提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• Deep neuroevolution to predict primary brain tumor grade from functional MRI adjacency matrices [0.0]
  我々は,高次グリオーマ (HGG) と低次グリオーマ (LGG) の2つの重要な脳腫瘍の区別をAIが学べることを示した。 深部神経進化(DNE)を用いた畳み込みニューラルネットワーク(CNN)の訓練を行った。 たった30個の隣接行列でトレーニングした後、私たちのCNNは、完全なテストセットの正確さでLGGとの違いをHGGに伝えることができました。
  論文  参考訳（メタデータ） (2022-11-26T07:13:31Z)
• Direct evaluation of progression or regression of disease burden in brain metastatic disease with Deep Neuroevolution [0.0]
  深部神経進化(Deep Neuroevolution、DNE)は、小さなトレーニングセットでうまく機能する放射線学人工知能(AI)を生成することができる。 そこで我々はDNEを用いて,転移性脳疾患の進行と退縮を予測する機能近似を行った。
  論文  参考訳（メタデータ） (2022-03-24T05:29:09Z)
• Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI [5.463018151091638]
  最先端のディープラーニングパイプライン nnU-Net では,異常なケースの一般化が困難であることを示す。 我々は、データセット上のボリューム当たり損失の分布のパーセンタイルを最小限に抑えるために、ディープニューラルネットワークをトレーニングすることを提案する。 我々は368個の胎児脳T2w MRIを用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2021-08-09T17:00:21Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。