論文の概要: A Deep Neural Architecture for Harmonizing 3-D Input Data Analysis and
Decision Making in Medical Imaging
- arxiv url: http://arxiv.org/abs/2303.00175v1
- Date: Wed, 1 Mar 2023 02:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 16:18:53.208764
- Title: A Deep Neural Architecture for Harmonizing 3-D Input Data Analysis and
Decision Making in Medical Imaging
- Title（参考訳）: 医用画像における3次元入力データ解析と意思決定の調和のためのディープニューラルアーキテクチャ
- Authors: Dimitrios Kollias and Anastasios Arsenos and Stefanos Kollias
- Abstract要約: 本稿では、ルーティングと機能アライメントステップを含むRACNetという新しいディープニューラルネットワークを提案する。
3次元画像入力の異なる入力長と単一のアノテーションを効果的に処理し、高精度な決定を提供する。
さらに、トレーニングされたRACNetから潜時変数を抽出することで、ネットワークの決定に関するさらなる洞察を提供するアンカーのセットが生成される。
- 参考スコア（独自算出の注目度）: 3.6170587429082195
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Harmonizing the analysis of data, especially of 3-D image volumes, consisting
of different number of slices and annotated per volume, is a significant
problem in training and using deep neural networks in various applications,
including medical imaging. Moreover, unifying the decision making of the
networks over different input datasets is crucial for the generation of rich
data-driven knowledge and for trusted usage in the applications. This paper
presents a new deep neural architecture, named RACNet, which includes routing
and feature alignment steps and effectively handles different input lengths and
single annotations of the 3-D image inputs, whilst providing highly accurate
decisions. In addition, through latent variable extraction from the trained
RACNet, a set of anchors are generated providing further insight on the
network's decision making. These can be used to enrich and unify data-driven
knowledge extracted from different datasets. An extensive experimental study
illustrates the above developments, focusing on COVID-19 diagnosis through
analysis of 3-D chest CT scans from databases generated in different countries
and medical centers.
- Abstract（参考訳）: データ分析、特に3次元画像ボリュームの調和は、ボリューム当たりのスライス数と注釈数が異なるため、医用画像を含む様々な応用において、深層ニューラルネットワークの訓練と使用において重要な問題である。
さらに、異なる入力データセット上でのネットワークの決定を統一することは、リッチなデータ駆動の知識の生成とアプリケーションにおける信頼性の高い使用のために重要である。
本稿では,ルーティングと機能アライメントステップを含む新しいディープニューラルネットワークアーキテクチャracnetを提案する。3次元画像入力の異なる入力長と単一アノテーションを効果的に処理し,高精度な決定を行う。
さらに、トレーニングされたRACNetから潜時変数を抽出することで、ネットワークの決定に関するさらなる洞察を提供するアンカーのセットが生成される。
これらは、異なるデータセットから抽出されたデータ駆動の知識の強化と統一に使用することができる。
さまざまな国や医療センターで生成されたデータベースから3次元の胸部ctスキャンを分析することで、新型コロナウイルスの診断に焦点が当てられた。
関連論文リスト
- DmADs-Net: Dense multiscale attention and depth-supervised network for medical image segmentation [10.85494240952418]
我々はDmAD-Net(Multiscale Attention and Depth-Supervised Network)を開発した。
異なる深さで機能抽出にResNetを使用し、マルチスケールの畳み込み機能注意ブロックを作成します。
ローカル・フィーチャー・アテンション・ブロックは、高レベルのセマンティック情報に対するローカル・フィーチャー・アテンションを強化するために作成される。
フィーチャーフュージョンフェーズでは、異なるセマンティック情報の融合を強化するために、フィーチャーリファインメントとフュージョンブロックが作成される。
論文 参考訳（メタデータ） (2024-05-01T12:15:58Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - How You Split Matters: Data Leakage and Subject Characteristics Studies
in Longitudinal Brain MRI Analysis [0.0]
深層学習モデルは、医療画像分析の分野に革命をもたらし、診断と患者のケアを改善するための重要な約束を提供する。
しかし、そのパフォーマンスは「データ漏洩」という隠された落とし穴のため、誤解を招くほど楽観的である。
本研究では,脳MRI解析に3次元畳み込みニューラルネットワーク(CNN)を用いた3次元医用画像におけるデータ漏洩について検討した。
論文 参考訳（メタデータ） (2023-09-01T09:15:06Z) - 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) - Fighting the scanner effect in brain MRI segmentation with a progressive
level-of-detail network trained on multi-site data [1.6379393441314491]
LOD-Brainは3D畳み込みニューラルネットワークで、どの部位からでも脳データを分割できる。
最先端の結果を生成するが、内部サイトと外部サイトのパフォーマンスには大きな違いはない。
その移植性は、さまざまな医療機関、患者集団、画像技術製造業者に対して大規模な応用の道を開く。
論文 参考訳（メタデータ） (2022-11-04T12:15:18Z) - Slice-level Detection of Intracranial Hemorrhage on CT Using Deep
Descriptors of Adjacent Slices [0.31317409221921133]
そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。
我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。
提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
論文 参考訳（メタデータ） (2022-08-05T23:20:37Z) - Mutual Attention-based Hybrid Dimensional Network for Multimodal Imaging
Computer-aided Diagnosis [4.657804635843888]
マルチモーダル3次元医用画像分類(MMNet)のための新しい相互注意型ハイブリッド次元ネットワークを提案する。
ハイブリッド次元ネットワークは2D CNNと3D畳み込みモジュールを統合し、より深くより情報的な特徴マップを生成する。
さらに,画像モダリティの異なる類似の立体視領域において,各領域の整合性を構築するために,ネットワーク内の相互注意フレームワークを設計する。
論文 参考訳（メタデータ） (2022-01-24T02:31:25Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - 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) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。