論文の概要: Can a single image processing algorithm work equally well across all phases of DCE-MRI?

• arxiv url: http://arxiv.org/abs/2306.12988v1
• Date: Thu, 22 Jun 2023 15:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 13:59:47.922994
• Title: Can a single image processing algorithm work equally well across all phases of DCE-MRI?
• Title（参考訳）: 単一の画像処理アルゴリズムはDCE-MRIのすべてのフェーズで等しく機能するのか?
• Authors: Adam G. Tattersall, Keith A. Goatman, Lucy E. Kershaw, Scott I. K. Semple and Sonia Dahdouh
• Abstract要約: 本稿では,2つのタスクに対するコントラスト強化(CE)データの比率の異なるトレーニングの効果について検討する。 その結果,CEデータによる事前学習と非CEデータによる微調整により,一般化可能なモデルが得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation and registration are said to be challenging when applied to dynamic contrast enhanced MRI sequences (DCE-MRI). The contrast agent causes rapid changes in intensity in the region of interest and elsewhere, which can lead to false positive predictions for segmentation tasks and confound the image registration similarity metric. While it is widely assumed that contrast changes increase the difficulty of these tasks, to our knowledge no work has quantified these effects. In this paper we examine the effect of training with different ratios of contrast enhanced (CE) data on two popular tasks: segmentation with nnU-Net and Mask R-CNN and registration using VoxelMorph and VTN. We experimented further by strategically using the available datasets through pretraining and fine tuning with different splits of data. We found that to create a generalisable model, pretraining with CE data and fine tuning with non-CE data gave the best result. This interesting find could be expanded to other deep learning based image processing tasks with DCE-MRI and provide significant improvements to the models performance.
• Abstract（参考訳）: ダイナミックコントラスト強調MRI(DCE-MRI)に適用した場合,画像分割と登録は困難であると言われている。 コントラスト剤は関心領域などの強度の急激な変化を引き起こすため、セグメンテーションタスクの誤った正の予測や、画像登録類似度指標の相違につながる可能性がある。 コントラストの変化はこれらのタスクの難易度を高めると広く考えられているが、我々の知識ではこれらの効果を定量化していない。 本稿では,nU-NetとMask R-CNNのセグメンテーションとVoxelMorphとVTNを用いた登録という2つの一般的なタスクに対するコントラスト強化(CE)データの異なる比率でのトレーニングの効果を検討する。 我々は,データ分割の異なる事前トレーニングと微調整を通じて,利用可能なデータセットを戦略的に利用してさらに実験を行った。 その結果,CEデータによる事前学習と非CEデータによる微調整により,一般化可能なモデルが得られた。 この興味深い発見は、DCE-MRIによる他のディープラーニングベースの画像処理タスクに拡張され、モデルのパフォーマンスが大幅に改善される可能性がある。

関連論文リスト

• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• Reframing Image Difference Captioning with BLIP2IDC and Synthetic Augmentation [5.887986127737718]
  BLIP2IDCは,画像差分キャプション(IDC)タスクへのBLIP2の適応であり,低コストで導入する。 我々は、実世界のIDCデータセットにおいて、2ストリームのアプローチよりも大きな差があることを示します。 また,IDCモデルの性能を非依存的に向上させるために合成拡張法を提案する。
  論文  参考訳（メタデータ） (2024-12-20T14:32:56Z)
• Segmenting Medical Images with Limited Data [7.83073107607804]
  データ効率医療セグメンタ(DEMS)と呼ばれる半教師付き一貫性に基づくアプローチを提案する。 DEMSはエンコーダ・デコーダアーキテクチャを備え、開発されているオンライン自動拡張器(OAA)と残留ロバストネス強化(RRE)ブロックを組み込んでいる。 極端なデータ不足のシナリオ下では、私たちのDEMSは、それぞれU-Netとトップパフォーマンスの最先端手法と比較して、ダイススコアが16.85%と10.37%向上しました。
  論文  参考訳（メタデータ） (2024-07-12T11:41:18Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• Skip-Attention: Improving Vision Transformers by Paying Less Attention [55.47058516775423]
  視覚計算変換器(ViT)は、すべての層で高価な自己注意操作を使用する。 また,SkipAtを提案する。SkipAtは,先行層から自己注意を再利用して1層以上の注意を近似する手法である。 本稿では,画像の分類と自己教師型学習,ADE20Kのセマンティックセグメンテーション,SIDDの画像デノイング,DAVISのビデオデノナイズにおける手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-05T18:59:52Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• Contrastive Learning with Stronger Augmentations [63.42057690741711]
  本論文では,現在のコントラスト学習のアプローチを補完する,より強い拡張(A)によるコントラスト学習という汎用フレームワークを提案する。 ここでは、表現バンク上の弱強調画像と強拡張画像との間の分布のばらつきを利用して、強拡張クエリの検索を監督する。 実験では、強力な画像からの情報により、パフォーマンスが大幅に向上します。
  論文  参考訳（メタデータ） (2021-04-15T18:40:04Z)
• Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration [0.0]
  深層学習に基づく画像登録における入力画像対間の強度分布の影響について検討する。 構造的類似性に基づく損失をトレーニングしたディープラーニングモデルは、両方のデータセットでよりよく機能しているようだ。
  論文  参考訳（メタデータ） (2020-09-21T17:49:03Z)
• SynthMorph: learning contrast-invariant registration without acquired images [8.0963891430422]
  画像データを取得せずに画像登録を学習するための戦略を導入する。 この戦略は任意のMRIコントラストの堅牢かつ正確な登録を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T20:29:39Z)
• A Learning Strategy for Contrast-agnostic MRI Segmentation [8.264160978159634]
  我々は、非前処理脳MRIスキャンのコントラスト非依存的セマンティックセマンティックセグメンテーションを可能にするディープラーニング戦略を提案する。 提案した学習手法であるSynthSegは,訓練中のハエのコントラストが多種多様である合成サンプル画像を生成する。 我々は,1000名以上の被験者と4種類のMRコントラストからなる4種類のデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-03-04T11:00:57Z)

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。