論文の概要: On the Feasibility of Machine Learning Augmented Magnetic Resonance for Point-of-Care Identification of Disease

• arxiv url: http://arxiv.org/abs/2301.11962v1
• Date: Fri, 27 Jan 2023 19:32:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 20:00:23.080343
• Title: On the Feasibility of Machine Learning Augmented Magnetic Resonance for Point-of-Care Identification of Disease
• Title（参考訳）: 疾患のポイント・オブ・ケア同定における機械学習強化磁気共鳴の可能性について
• Authors: Raghav Singhal, Mukund Sudarshan, Anish Mahishi, Sri Kaushik, Luke Ginocchio, Angela Tong, Hersh Chandarana, Daniel K. Sodickson, Rajesh Ranganath, and Sumit Chopra
• Abstract要約: 多くの生命を脅かす病気の早期発見は臨床結果を改善し、医療費を削減できる。 疾患診断におけるMR画像の精度が高いにもかかわらず、Point-of-Care病の診断ツールとして使用されていない。 そこで本研究では,1) 疾患の特定精度を最大化するk空間のサブセットを同定し,2) 特定したk空間サブセットを用いて疾患を直接推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 16.052314124109223
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early detection of many life-threatening diseases (e.g., prostate and breast cancer) within at-risk population can improve clinical outcomes and reduce cost of care. While numerous disease-specific "screening" tests that are closer to Point-of-Care (POC) are in use for this task, their low specificity results in unnecessary biopsies, leading to avoidable patient trauma and wasteful healthcare spending. On the other hand, despite the high accuracy of Magnetic Resonance (MR) imaging in disease diagnosis, it is not used as a POC disease identification tool because of poor accessibility. The root cause of poor accessibility of MR stems from the requirement to reconstruct high-fidelity images, as it necessitates a lengthy and complex process of acquiring large quantities of high-quality k-space measurements. In this study we explore the feasibility of an ML-augmented MR pipeline that directly infers the disease sidestepping the image reconstruction process. We hypothesise that the disease classification task can be solved using a very small tailored subset of k-space data, compared to image reconstruction. Towards that end, we propose a method that performs two tasks: 1) identifies a subset of the k-space that maximizes disease identification accuracy, and 2) infers the disease directly using the identified k-space subset, bypassing the image reconstruction step. We validate our hypothesis by measuring the performance of the proposed system across multiple diseases and anatomies. We show that comparable performance to image-based classifiers, trained on images reconstructed with full k-space data, can be achieved using small quantities of data: 8% of the data for detecting multiple abnormalities in prostate and brain scans, and 5% of the data for knee abnormalities. To better understand the proposed approach and instigate future research, we provide an extensive analysis and release code.
• Abstract（参考訳）: 多くの生命を脅かす病気(前立腺や乳がんなど)の早期発見は、リスクの高い集団において臨床結果を改善し、治療費を削減できる。 ポイント・オブ・ケア(POC: Point-of-Care)に近い多くの疾患特異的なスクリーニングテストがこのタスクに使用されているが、それらの低特異性は不必要な生検をもたらし、予防可能な患者外傷と無駄な医療費をもたらす。 一方, 疾患診断におけるMR画像の精度は高いが, アクセシビリティが低いため, POC 病識別ツールとして使用されていない。 mrのアクセシビリティの低さの根本原因は、高品質なk空間測定を大量に得るための長く複雑なプロセスを必要とするため、高忠実度画像の再構築の必要性にある。 本研究では,画像再構成過程を横取りする疾患を直接推測するML拡張MRパイプラインの実現可能性について検討する。 我々は,k空間データの非常に小さな部分集合を用いて,画像再構成に比べて病気分類課題を解決できると仮定した。 そこで我々は,2つのタスクを実行する手法を提案する。 1)疾患の特定精度を最大化するk空間のサブセットを特定し、 2)特定したk空間サブセットを直接使用して画像再構成ステップをバイパスして疾患を推測する。 提案システムの性能を複数の疾患や解剖にまたがって測定し,仮説を検証する。 フルk空間データで再構成した画像に基づいて訓練した画像ベース分類器に匹敵する性能は,前立腺・脳スキャンにおける複数の異常を検出できるデータの8%,膝の異常を検出できるデータの5%で達成できることを示す。 提案するアプローチをより深く理解し,今後の研究を推し進めるために,広範な分析とリリースコードを提供する。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [14.39502951611029]
  構造類似度指数の損失をl1損失と組み合わせた核融合品質損失関数を提案する。 また,正常領域と異常領域の平均強度比(AIR)を高めるデータ前処理戦略を導入し,異常の識別を改善した。 提案したIQAアプローチは,BraTS21(T2,FLAIR)およびMSULBデータセット上のDice係数(DICE)とAUPRC(Area Under the Precision-Recall Curve)において,大幅な改善(>10%)を達成している。
  論文  参考訳（メタデータ） (2024-08-15T15:55:07Z)
• Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
  我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。 いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
  論文  参考訳（メタデータ） (2024-08-04T13:09:06Z)
• The MRI Scanner as a Diagnostic: Image-less Active Sampling [9.964204750574469]
  そこで我々は, 患者レベルにおいて, k空間のアンサンプから疾患を直接推測するために, 強化学習を通じて, 能動的サンプリング戦略を学習するMLベースのフレームワークを提案する。 我々は,Meniscus Tearをアンダーサンプル膝MRIで評価し,MLによる診断に匹敵する診断性能が得られた。
  論文  参考訳（メタデータ） (2024-06-24T16:00:20Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Unsupervised anomaly localization in high-resolution breast scans using deep pluralistic image completion [5.911215493148418]
  デジタル乳房共生(DBT)における腫瘍自動検出は, 天然腫瘍の出現率, 乳房組織の変化, 高分解能のため難しい課題である。 機械学習におけるほとんどの異常なローカライゼーション研究は、非医療的なデータセットに焦点を当てている。
  論文  参考訳（メタデータ） (2023-05-04T18:28:09Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)

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。