論文の概要: Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks
- arxiv url: http://arxiv.org/abs/2302.12688v1
- Date: Fri, 24 Feb 2023 15:26:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 13:08:25.927310
- Title: Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks
- Title(参考訳): Video4MRI:CNNを用いた脳磁気共鳴画像解析の実証的研究
- Authors: Yuxuan Zhang, Qingzhong Wang, Jiang Bian, Yi Liu, Yanwu Xu, Dejing
Dou, Haoyi Xiong
- Abstract要約: 3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
- 参考スコア(独自算出の注目度): 60.42012344842292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To address the problem of medical image recognition, computer vision
techniques like convolutional neural networks (CNN) are frequently used.
Recently, 3D CNN-based models dominate the field of magnetic resonance image
(MRI) analytics. Due to the high similarity between MRI data and videos, we
conduct extensive empirical studies on video recognition techniques for MRI
classification to answer the questions: (1) can we directly use video
recognition models for MRI classification, (2) which model is more appropriate
for MRI, (3) are the common tricks like data augmentation in video recognition
still useful for MRI classification? Our work suggests that advanced video
techniques benefit MRI classification. In this paper, four datasets of
Alzheimer's and Parkinson's disease recognition are utilized in experiments,
together with three alternative video recognition models and data augmentation
techniques that are frequently applied to video tasks. In terms of efficiency,
the results reveal that the video framework performs better than 3D-CNN models
by 5% - 11% with 50% - 66% less trainable parameters. This report pushes
forward the potential fusion of 3D medical imaging and video understanding
research.
- Abstract(参考訳): 医用画像認識の問題に対処するために、畳み込みニューラルネットワーク(cnn)のようなコンピュータビジョン技術が頻繁に用いられる。
近年,3次元CNNモデルが磁気共鳴画像解析(MRI)の分野を支配している。
1)MRI分類にビデオ認識モデルを直接利用できるか、(2)MRI分類にどのモデルが適しているか、(3)画像認識におけるデータ拡張のような一般的なトリックは、MRI分類にまだ有用か、といった疑問に答えるために、MRI分類のためのビデオ認識技術に関する広範な実証的研究を行っている。
我々の研究は、高度なビデオ技術がMRIの分類に役立つことを示唆している。
本稿では,アルツハイマー病とパーキンソン病の認知に関する4つのデータセットを,ビデオタスクに頻繁に適用される3つの代替ビデオ認識モデルとデータ拡張技術とともに,実験で活用する。
効率の面では、ビデオフレームワークが3d-cnnモデルよりも5%高いパフォーマンスを示し、50%から66%のトレーニング可能なパラメータで11%向上した。
本報告は3次元医用画像と映像理解研究の融合を推し進めるものである。
関連論文リスト
- MinD-3D: Reconstruct High-quality 3D objects in Human Brain [53.546633606914455]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3D視覚を再構築することに焦点を当てた画期的なタスクである。
総合的なfMRI信号キャプチャのための3Dオブジェクトの360度映像を利用したfMRI-Shapeデータセットを提案する。
また,fMRI信号から脳の3次元視覚情報をデコードし,再構成する新しい3段階フレームワークMinD-3Dを提案する。
論文 参考訳(メタデータ) (2023-12-12T18:21:36Z) - 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) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳(メタデータ) (2022-11-05T10:27:37Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Highly Accurate FMRI ADHD Classification using time distributed multi
modal 3D CNNs [0.0]
本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。
3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
論文 参考訳(メタデータ) (2022-05-24T11:39:11Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - 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) - Self-Supervised Ultrasound to MRI Fetal Brain Image Synthesis [20.53251934808636]
胎児脳MRI(Fetal brain magnetic resonance imaging)は、発達する脳の精細な画像を提供するが、第2三期異常検診には適さない。
本稿では,臨床用US画像から直接MRライクな画像を生成することを提案する。
提案するモデルは、外部アノテーションを使わずに、エンドツーエンドでトレーニング可能で自己管理できる。
論文 参考訳(メタデータ) (2020-08-19T22:56:36Z)
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。