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
- 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) - CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting
Functional Outcome in Stroke Patients [1.5250925845050138]
脳卒中患者の管理において臨床結果予測は重要な役割を担っている。
機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。
本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2022-05-11T14:46:01Z) - MRI-GAN: A Generalized Approach to Detect DeepFakes using Perceptual
Image Assessment [0.0]
DeepFakesは、オリジナル画像の顔と誰かの顔とを交換して生成された合成ビデオだ。
本稿では,GAN(Generative Adversarial Network)ベースのモデルを用いてDeepFakeコンテンツを分類する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-28T21:53:07Z) - 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) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-03-03T03:04:40Z) - 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) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳(メタデータ) (2020-10-20T04:30:09Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳(メタデータ) (2020-10-11T22:01:37Z) - 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。