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

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Entropy Law: The Story Behind Data Compression and LLM Performance [115.70395740286422]
  モデル性能はトレーニングデータの圧縮比と負の相関関係にあり,トレーニング損失が小さくなるのが普通である。 エントロピー法則の知見に基づいて, 極めて効率的で普遍的なデータ選択法を提案する。 また,モデルトレーニング開始時の潜在的な性能リスクを検出するエントロピー法則の興味深い応用を提案する。
  論文  参考訳（メタデータ） (2024-07-09T08:14:29Z)
• DataComp-LM: In search of the next generation of training sets for language models [200.5293181577585]
  DataComp for Language Models (DCLM)は、制御されたデータセット実験のためのテストベッドであり、言語モデルを改善することを目的としている。 我々は、Common Crawlから抽出された240Tトークンの標準化コーパス、OpenLMフレームワークに基づく効果的な事前学習レシピ、53の下流評価スイートを提供する。 DCLMベンチマークの参加者は、412Mから7Bパラメータのモデルスケールでの重複、フィルタリング、データ混合などのデータキュレーション戦略を実験することができる。
  論文  参考訳（メタデータ） (2024-06-17T17:42:57Z)
• Multicenter Privacy-Preserving Model Training for Deep Learning Brain Metastases Autosegmentation [2.479757014250359]
  本研究の目的は,マルチセンターデータの不均一性が深層学習脳転移(BM)オートセグメンテーション性能に与える影響を検討することである。 インクリメンタルトランスファー学習技術、すなわち、学習を忘れずに(LWF)、生データを共有せずにモデルの一般化性を改善する。 UKERプレトレーニングモデルがUSZに適用された場合、LWFはUKERとUSZテストデータの組み合わせで、単純TL(0.570)よりも平均F1スコア(0.839)、シングルセンタートレーニング(0.688)を達成する。
  論文  参考訳（メタデータ） (2024-05-17T16:01:11Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入した。 SMITは高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• 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)
• 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)
• 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)

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。