論文の概要: Reverse Engineering Breast MRIs: Predicting Acquisition Parameters Directly from Images

• arxiv url: http://arxiv.org/abs/2303.04911v1
• Date: Wed, 8 Mar 2023 22:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 16:48:20.110447
• Title: Reverse Engineering Breast MRIs: Predicting Acquisition Parameters Directly from Images
• Title（参考訳）: 逆エンジニアリング乳頭MRI:画像から直接取得パラメータを予測する
• Authors: Nicholas Konz, Maciej A. Mazurowski
• Abstract要約: 本稿では,MR画像生成に使用する複雑なIAPを,画像のみを用いて高精度に予測するニューラルネットワークモデルを提案する。 コントラストエージェントタイプのような難しいパラメータでさえ、精度良く予測できる。
• 参考スコア（独自算出の注目度）: 1.256413718364189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The image acquisition parameters (IAPs) used to create MRI scans are central to defining the appearance of the images. Deep learning models trained on data acquired using certain parameters might not generalize well to images acquired with different parameters. Being able to recover such parameters directly from an image could help determine whether a deep learning model is applicable, and could assist with data harmonization and/or domain adaptation. Here, we introduce a neural network model that can predict many complex IAPs used to generate an MR image with high accuracy solely using the image, with a single forward pass. These predicted parameters include field strength, echo and repetition times, acquisition matrix, scanner model, scan options, and others. Even challenging parameters such as contrast agent type can be predicted with good accuracy. We perform a variety of experiments and analyses of our model's ability to predict IAPs on many MRI scans of new patients, and demonstrate its usage in a realistic application. Predicting IAPs from the images is an important step toward better understanding the relationship between image appearance and IAPs. This in turn will advance the understanding of many concepts related to the generalizability of neural network models on medical images, including domain shift, domain adaptation, and data harmonization.
• Abstract（参考訳）: MRIスキャンを作成するために使用される画像取得パラメータ(IAP)は、画像の外観を定義する中心である。 特定のパラメータを使って取得したデータに基づいてトレーニングされたディープラーニングモデルは、異なるパラメータで取得した画像にうまく一般化できない可能性がある。 画像から直接そのようなパラメータを復元することは、ディープラーニングモデルが適用可能かどうかを判断し、データ調和やドメイン適応を支援するのに役立つ。 本稿では,画像のみを用いて高精度でMR画像を生成するために使用される複雑なIAPを,単一の前方パスで予測するニューラルネットワークモデルを提案する。 これらの予測パラメータには、フィールド強度、エコーと繰り返し時間、取得行列、スキャナモデル、スキャンオプションなどが含まれる。 コントラストエージェントタイプのような挑戦的なパラメータでさえ、精度良く予測できる。 我々は、新しい患者のMRIスキャンでIAPを予測できるモデルの様々な実験と分析を行い、その使い方を現実的な応用で実証する。 画像からIAPを予測することは、画像の外観とIAPの関係をよりよく理解するための重要なステップである。 これにより、ドメインシフト、ドメイン適応、データ調和など、医療画像におけるニューラルネットワークモデルの一般化可能性に関する多くの概念の理解が促進される。

関連論文リスト

• MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
  我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。 独立画素の仮定を破る自己教師型深部変分法を提案する。 そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
  論文  参考訳（メタデータ） (2024-11-16T11:11:36Z)
• Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models [0.0]
  医用画像の深層学習モデルにおける画像取得パラメータ(IAP)の変動による一般化性とロバスト性の問題 患者解剖を変更せずに異なるIAPをシミュレートするMR画像を生成するために, 条件付き縮退拡散生成モデル(cDDGM)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T11:29:41Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Translating Imaging to Genomics: Leveraging Transformers for Predictive Modeling [9.403446155541346]
  我々はトランスフォーマーネットワークを利用して画像とゲノムデータのギャップを埋めることを目指している。 利用可能なCT/MRI画像のみを用いてゲノム配列を予測することを提案する。
  論文  参考訳（メタデータ） (2024-08-01T06:14:37Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• 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)
• Deep Learning-Based MR Image Re-parameterization [0.0]
  本稿では,MRI再パラメータ化のための新しいディープラーニング(DL)に基づく畳み込みモデルを提案する。 予備的な結果に基づいて、DLベースの手法は、re-パラメータ化を管理する非線形性を学ぶ可能性を秘めている。
  論文  参考訳（メタデータ） (2022-06-11T12:39:37Z)
• Adversarial Parametric Pose Prior [106.12437086990853]
  我々は、SMPLパラメータを現実的なポーズを生成する値に制限する事前学習を行う。 得られた先行学習は実データ分布の多様性をカバーし、2次元キーポイントからの3次元再構成の最適化を容易にし、画像からの回帰に使用する場合のポーズ推定精度を向上することを示す。
  論文  参考訳（メタデータ） (2021-12-08T10:05:32Z)
• Enhanced Magnetic Resonance Image Synthesis with Contrast-Aware Generative Adversarial Networks [5.3580471186206005]
  各種取得パラメータを基準とした合成MR膝画像を生成するために,GAN(generative adversarial Network)を訓練した。 チューリング試験では、2人の専門家が実際のMR画像と合成画像の40.5%を誤ってラベル付けし、生成された合成画像と実際のMR画像の画質が同等であることを示した。
  論文  参考訳（メタデータ） (2021-02-17T11:39:36Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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。