論文の概要: Effect of Intensity Standardization on Deep Learning for WML
Segmentation in Multi-Centre FLAIR MRI
- arxiv url: http://arxiv.org/abs/2307.03827v1
- Date: Fri, 7 Jul 2023 20:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 17:18:27.182430
- Title: Effect of Intensity Standardization on Deep Learning for WML
Segmentation in Multi-Centre FLAIR MRI
- Title(参考訳): 多心FLAIR MRIにおける深部学習における強度標準化の効果
- Authors: Abdollah Ghazvanchahi, Pejman Jahbedar Maralani, Alan R. Moody, April
Khademi
- Abstract要約: 深層学習(DL)法は、MRIにおける白質病変(WML)のセグメンテーションにおいて、トレーニングデータから、スキャナーやアウト・オブ・ディストリビューション(OOD)であるセンターのデータに適用すると、性能が低下する。
これは翻訳と広範囲な採用にとって重要であり、これは現在のモデルが新しい機関のデータに容易に適用できないためである。
FLAIR(Multi-centre Fluid-Attenuated Inversion Recovery)MRIにおけるWMLセグメンテーションの前処理ステップとしてMRIの強度標準化手法を評価した。
- 参考スコア(独自算出の注目度): 0.06117371161379209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) methods for white matter lesion (WML) segmentation in MRI
suffer a reduction in performance when applied on data from a scanner or centre
that is out-of-distribution (OOD) from the training data. This is critical for
translation and widescale adoption, since current models cannot be readily
applied to data from new institutions. In this work, we evaluate several
intensity standardization methods for MRI as a preprocessing step for WML
segmentation in multi-centre Fluid-Attenuated Inversion Recovery (FLAIR) MRI.
We evaluate a method specifically developed for FLAIR MRI called IAMLAB along
with other popular normalization techniques such as White-strip, Nyul and
Z-score. We proposed an Ensemble model that combines predictions from each of
these models. A skip-connection UNet (SC UNet) was trained on the standardized
images, as well as the original data and segmentation performance was evaluated
over several dimensions. The training (in-distribution) data consists of a
single study, of 60 volumes, and the test (OOD) data is 128 unseen volumes from
three clinical cohorts. Results show IAMLAB and Ensemble provide higher WML
segmentation performance compared to models from original data or other
normalization methods. IAMLAB & Ensemble have the highest dice similarity
coefficient (DSC) on the in-distribution data (0.78 & 0.80) and on clinical OOD
data. DSC was significantly higher for IAMLAB compared to the original data
(p<0.05) for all lesion categories (LL>25mL: 0.77 vs. 0.71; 10mL<= LL<25mL:
0.66 vs. 0.61; LL<10mL: 0.53 vs. 0.52). The IAMLAB and Ensemble normalization
methods are mitigating MRI domain shift and are optimal for DL-based WML
segmentation in unseen FLAIR data.
- Abstract(参考訳): mriにおける白質病変(wml)分割のための深層学習(dl)法は、トレーニングデータからアウトオブディストリビューション(ood)であるスキャナやセンタのデータに適用すると、パフォーマンスが低下する。
これは、現在のモデルが新しい機関のデータに容易に適用できないため、翻訳と大規模採用にとって非常に重要である。
本研究では, FLAIR (Multi-centre Fluid-Attenuated Inversion Recovery) MRIにおけるWMLセグメンテーションの前処理ステップとしてMRIの強度標準化手法を評価する。
我々は、White-strip、Nyul、Z-scoreなどの一般的な正規化技術とともに、IAMLABと呼ばれるFLAIR MRI用に特別に開発された手法を評価する。
各モデルからの予測を組み合わせたアンサンブルモデルを提案した。
標準画像上ではスキップ接続UNet (SC UNet) を訓練し, 元のデータとセグメンテーション性能を数次元にわたって評価した。
訓練データ(分布内データ)は60巻の1つの研究からなり、試験データ(oodデータ)は3つの臨床コホートから128の未発見ボリュームである。
その結果、IAMLABとEnsembleは、元のデータや他の正規化手法のモデルと比較して高いWMLセグメンテーション性能を提供することがわかった。
IAMLAB & Ensembleは、分布内データ(0.78および0.80)および臨床用OODデータ上で最も高いサイス類似係数(DSC)を有する。
DSCはIAMLABでは,すべての病変群 (LL>25mL: 0.77 vs. 0.71; 10mL<= LL<25mL: 0.66 vs. 0.61; LL<10mL: 0.53 vs. 0.52) と比較して有意に高かった。
IAMLABとEnsembleの正規化法はMRI領域シフトを緩和し、未確認FLAIRデータにおけるDLベースのWMLセグメンテーションに最適である。
関連論文リスト
- On the Relation between Internal Language Model and Sequence Discriminative Training for Neural Transducers [52.88268942796418]
内部言語モデル(ILM)のサブトラクションは、RNN-Transducerの性能向上に広く応用されている。
列識別訓練は, 理論的, 経験的両面からILMサブトラクションと強く相関していることを示す。
論文 参考訳(メタデータ) (2023-09-25T13:35:28Z) - Better Generalization of White Matter Tract Segmentation to Arbitrary
Datasets with Scaled Residual Bootstrap [1.30536490219656]
ホワイトマター(WM)トラクションセグメンテーションは、脳接続研究において重要なステップである。
本稿では,WMトラクションセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T09:31:34Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in
Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。
MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
論文 参考訳(メタデータ) (2023-07-26T06:52:29Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - MAPPING: Model Average with Post-processing for Stroke Lesion
Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。
本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文 参考訳(メタデータ) (2022-11-11T14:17:04Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - A Deep Learning-based Method to Extract Lumen and Media-Adventitia in
Intravascular Ultrasound Images [3.2963079183841297]
血管内超音波(IVUS)による冠動脈壁の直接の可視化が可能。
現在のセグメンテーションは、時間とユーザ依存のマニュアル操作に依存している。
本稿では,エンコーダ・デコーダ深層アーキテクチャを用いた深層学習に基づく手法を提案する。
論文 参考訳(メタデータ) (2021-02-21T00:10:05Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳(メタデータ) (2019-12-27T02:49:45Z)
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。