Fugu-MT 論文翻訳(概要): MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images

論文の概要: MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images

arxiv url: http://arxiv.org/abs/2301.03701v1
Date: Mon, 9 Jan 2023 22:15:18 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 17:49:21.964571
Title: MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images
Title（参考訳）: MOC-AE : 臨床診断支援システムの解剖学的解析
Authors: Guillermo Iglesias, Edgar Talavera, Alberto D\'iaz-\'Alvarez, Miguel Grac\'ia-Remesal
Abstract要約: MOC-AEのアーキテクチャは、オートエンコーダ(AE)を用いてスキャンした患者の解剖情報と、同一の画像記述子を用いた分類出力を用いた特定の病理関連情報とを結合する。提案アルゴリズムは, 推奨症例の解剖学的特徴と腫瘍的特徴の両方の観点から, 最先端の結果が得られることを示す。
参考スコア（独自算出の注目度）: 0.20646127669654826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The present work proposes a Multi-Output Classification Autoencoder (MOC-AE) algorithm to extract features from brain tumour images. The proposed algorithm is able to focus on both the normal features of the patient and the pathological features present in the case, resulting in a compact and significant representation of each image. The architecture of MOC-AE combines anatomical information from the patients scan using an Autoencoder (AE) with information related to a specific pathology using a classification output with the same image descriptor. This combination of goals forces the network to maintain a balance between anatomical and pathological features of the case while maintaining the low cost of the labels being used. The results obtained are compared with those of similar studies and the strengths and limitations of each approach are discussed. The results demonstrate that the proposed algorithm is capable of achieving state-of-the-art results in terms of both the anatomical and tumor characteristics of the recommended cases.
Abstract（参考訳）: 本研究では,脳腫瘍画像から特徴を抽出するマルチアウトプット分類オートエンコーダ(moc-ae)アルゴリズムを提案する。提案するアルゴリズムは,患者の正常な特徴と症例に存在する病理学的特徴の両方に焦点を合わせることができ,各画像のコンパクトかつ有意な表現が可能となる。 MOC-AEのアーキテクチャは、オートエンコーダ(AE)を用いてスキャンした患者の解剖情報と、同一の画像記述子を用いた分類出力を用いた特定の病理関連情報とを結合する。この目標の組み合わせによって、ネットワークは、使用中のラベルの低コストを維持しながら、ケースの解剖学的特徴と病理学的特徴のバランスを維持することができる。その結果, 同様の研究結果と比較し, それぞれのアプローチの強さと限界について考察した。その結果,提案アルゴリズムは,推奨症例の解剖学的特徴と腫瘍的特徴の両面から,最先端の結果が得られることを示した。

関連論文リスト

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)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文参考訳（メタデータ） (2022-08-30T16:06:07Z)
NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文参考訳（メタデータ） (2022-06-02T07:57:17Z)
An Attention-based Weakly Supervised framework for Spitzoid Melanocytic Lesion Diagnosis in WSI [1.0948946179065253]
メラノーマは皮膚がんによる死の大半の原因となる攻撃的な腫瘍である。診断と予後のための金の基準は、皮膚生検の分析である。改良型畳み込みニューラルネットワーク(CNN)を用いた誘導伝達学習に基づく,エンドツーエンドの弱い教師付き深層学習モデルを提案する。本フレームワークは、腫瘍パッチレベルパターンの発見を担当するソースモデルと、生検の特定診断に焦点を当てたターゲットモデルとから構成される。
論文参考訳（メタデータ） (2021-04-20T10:18:57Z)
Deep and Statistical Learning in Biomedical Imaging: State of the Art in 3D MRI Brain Tumor Segmentation [1.7403133838762446]
脳画像研究における主要な統計・深層学習モデルとその応用を批判的にレビューする。その結果、モデル駆動の古典統計とデータ駆動のディープラーニングは、臨床腫瘍学における自動化システムを開発するための強力な組み合わせであることを強調した。
論文参考訳（メタデータ） (2021-03-09T16:15:47Z)
A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction [1.41414531071294]
本論文は、グリオーマ脳腫瘍分節の自動化手法の進歩を調査することを目的としている。また、ベンチマークに基づいて様々なモデルの客観的評価を行うことも不可欠である。タスク1のディープニューラルネットワークモデルに対する手作り特徴を用いた脳腫瘍の領域分割の完全域について述べる。
論文参考訳（メタデータ） (2021-01-26T07:22:52Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
本稿では,脳腫瘍の異常検出アルゴリズムを提案する。健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
論文参考訳（メタデータ） (2020-07-09T12:12:16Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。