論文の概要: SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer
- arxiv url: http://arxiv.org/abs/2302.10859v1
- Date: Tue, 21 Feb 2023 18:16:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 14:08:57.749432
- Title: SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer
- Title(参考訳): SF2Former:空間・周波数融合変換器を用いた多心MRI画像からの筋萎縮性側索硬化症の同定
- Authors: Rafsanjany Kushol, Collin C. Luk, Avyarthana Dey, Michael Benatar,
Hannah Briemberg, Annie Dionne, Nicolas Dupr\'e, Richard Frayne, Angela
Genge, Summer Gibson, Simon J. Graham, Lawrence Korngut, Peter Seres, Robert
C. Welsh, Alan Wilman, Lorne Zinman, Sanjay Kalra, Yee-Hong Yang
- Abstract要約: 筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
- 参考スコア(独自算出の注目度): 3.408266725482757
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Amyotrophic Lateral Sclerosis (ALS) is a complex neurodegenerative disorder
involving motor neuron degeneration. Significant research has begun to
establish brain magnetic resonance imaging (MRI) as a potential biomarker to
diagnose and monitor the state of the disease. Deep learning has turned into a
prominent class of machine learning programs in computer vision and has been
successfully employed to solve diverse medical image analysis tasks. However,
deep learning-based methods applied to neuroimaging have not achieved superior
performance in ALS patients classification from healthy controls due to having
insignificant structural changes correlated with pathological features.
Therefore, the critical challenge in deep models is to determine useful
discriminative features with limited training data. By exploiting the
long-range relationship of image features, this study introduces a framework
named SF2Former that leverages vision transformer architecture's power to
distinguish the ALS subjects from the control group. To further improve the
network's performance, spatial and frequency domain information are combined
because MRI scans are captured in the frequency domain before being converted
to the spatial domain. The proposed framework is trained with a set of
consecutive coronal 2D slices, which uses the pre-trained weights on ImageNet
by leveraging transfer learning. Finally, a majority voting scheme has been
employed to those coronal slices of a particular subject to produce the final
classification decision. Our proposed architecture has been thoroughly assessed
with multi-modal neuroimaging data using two well-organized versions of the
Canadian ALS Neuroimaging Consortium (CALSNIC) multi-center datasets. The
experimental results demonstrate the superiority of our proposed strategy in
terms of classification accuracy compared with several popular deep
learning-based techniques.
- Abstract(参考訳): 筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
脳磁気共鳴画像(MRI)は、病気の状態を診断し、モニターする潜在的なバイオマーカーとして確立し始めている。
ディープラーニングはコンピュータビジョンにおける機械学習プログラムの傑出したクラスとなり、多様な医療画像解析タスクの解決に成功している。
しかし, 神経画像学に応用した深層学習法は, 病理学的特徴に相関する構造変化がみられ, 健常者からのALS患者の分類では優れた成績を得られていない。
したがって、深層モデルにおける重要な課題は、限られたトレーニングデータで有用な識別特徴を決定することである。
本研究は,画像特徴の長距離関係を生かして,視覚トランスフォーマーのパワーを利用してals被写体を制御群と区別するsf2formerというフレームワークを提案する。
ネットワークの性能をさらに向上するために、空間領域に変換される前にMRIスキャンが周波数領域でキャプチャされるため、空間領域と周波数領域の情報を組み合わせる。
提案するフレームワークは、転送学習を利用してimagenetで事前訓練された重みを使用する一連のコロナ2dスライスでトレーニングされる。
最後に、最終分類決定を下すために、特定の被験者のコロナスライスに多数決方式が採用された。
提案するアーキテクチャは,カナダalsニューロイメージングコンソーシアム (calsnic) の2つの高度に構成されたマルチセンターデータセットを用いて,マルチモーダルニューロイメージングデータを用いて徹底的に評価されている。
実験の結果,提案手法の分類精度は,一般的な深層学習手法に比べて優れていることが示された。
関連論文リスト
- fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - 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) - 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) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳(メタデータ) (2023-04-17T08:34:41Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - GATE: Graph CCA for Temporal SElf-supervised Learning for
Label-efficient fMRI Analysis [25.4835612758922]
人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。
本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。
本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
論文 参考訳(メタデータ) (2022-03-17T02:23:30Z) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳(メタデータ) (2022-03-11T02:00:27Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Neural Architecture Search for Gliomas Segmentation on Multimodal
Magnetic Resonance Imaging [2.66512000865131]
マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。
開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
論文 参考訳(メタデータ) (2020-05-13T14:32:00Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。