論文の概要: How You Split Matters: Data Leakage and Subject Characteristics Studies in Longitudinal Brain MRI Analysis

• arxiv url: http://arxiv.org/abs/2309.00350v1
• Date: Fri, 1 Sep 2023 09:15:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 13:49:08.321944
• Title: How You Split Matters: Data Leakage and Subject Characteristics Studies in Longitudinal Brain MRI Analysis
• Title（参考訳）: 分割方法:経時的脳MRI解析におけるデータ漏洩と主観的特徴の研究
• Authors: Dewinda Julianensi Rumala
• Abstract要約: 深層学習モデルは、医療画像分析の分野に革命をもたらし、診断と患者のケアを改善するための重要な約束を提供する。 しかし、そのパフォーマンスは「データ漏洩」という隠された落とし穴のため、誤解を招くほど楽観的である。 本研究では,脳MRI解析に3次元畳み込みニューラルネットワーク(CNN)を用いた3次元医用画像におけるデータ漏洩について検討した。
• 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: Deep learning models have revolutionized the field of medical image analysis, offering significant promise for improved diagnostics and patient care. However, their performance can be misleadingly optimistic due to a hidden pitfall called 'data leakage'. In this study, we investigate data leakage in 3D medical imaging, specifically using 3D Convolutional Neural Networks (CNNs) for brain MRI analysis. While 3D CNNs appear less prone to leakage than 2D counterparts, improper data splitting during cross-validation (CV) can still pose issues, especially with longitudinal imaging data containing repeated scans from the same subject. We explore the impact of different data splitting strategies on model performance for longitudinal brain MRI analysis and identify potential data leakage concerns. GradCAM visualization helps reveal shortcuts in CNN models caused by identity confounding, where the model learns to identify subjects along with diagnostic features. Our findings, consistent with prior research, underscore the importance of subject-wise splitting and evaluating our model further on hold-out data from different subjects to ensure the integrity and reliability of deep learning models in medical image analysis.
• Abstract（参考訳）: ディープラーニングモデルは、医療画像分析の分野に革命をもたらし、診断と患者ケアの改善に大きな期待を与えている。 しかし、そのパフォーマンスは「データ漏洩」と呼ばれる隠れ穴のため、誤解を招くほど楽観的である。 本研究では,脳MRI解析に3次元畳み込みニューラルネットワーク(CNN)を用いた3次元医用画像におけるデータ漏洩について検討した。 3d cnnは2dのcnnに比べて漏れやすいように見えるが、クロスバリデーション(cv)中の不適切なデータ分割は、特に同じ被験者からの繰り返しスキャンを含む縦断画像データにおいて問題を引き起こす可能性がある。 縦型脳mri解析におけるデータ分割戦略の違いがモデル性能に与える影響を調査し,潜在的なデータ漏洩問題を明らかにする。 GradCAMビジュアライゼーション(GradCAM)は、モデルが診断機能とともに対象を識別することを学ぶ、アイデンティティの共有によるCNNモデルのショートカットを明らかにするのに役立つ。 本研究は,先行研究と一致し,医療画像解析における深層学習モデルの完全性と信頼性を確保するため,異なる対象からの保持データに基づいて,対象別分割と評価の重要性を強調する。

関連論文リスト

• Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
  スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-02T03:56:20Z)
• AI-based association analysis for medical imaging using latent-space geometric confounder correction [6.488049546344972]
  複数の共同設立者に対する意味的特徴解釈とレジリエンスを強調するAI手法を提案する。 このアプローチのメリットは,2次元合成データセットから共同創設者のいない特徴を抽出すること,出生前アルコール暴露と幼児の顔面形状との関連性を検討すること,の3つのシナリオで検証されている。 その結果, 共同設立者の影響を効果的に低減し, 共同設立団体の設立を減らした。
  論文  参考訳（メタデータ） (2023-10-03T16:09:07Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection [1.7616042687330637]
  我々はADNI MRIデータセットの2つの分類方式を比較した。 訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
  論文  参考訳（メタデータ） (2022-04-04T17:37:54Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation [0.0]
  本稿では,V-Net citevnetをベースとした3次元エンコーダデコーダアーキテクチャを提案する。 不確実性マップは専門家の神経学者に余分な情報を提供し、モデルが与えられたセグメンテーションに自信がないことを検知するのに有用である。
  論文  参考訳（メタデータ） (2020-09-24T10:50:12Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。