論文の概要: Simulation of acquisition shifts in T2 Flair MR images to stress test AI segmentation networks

• arxiv url: http://arxiv.org/abs/2311.01894v1
• Date: Fri, 3 Nov 2023 13:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 14:09:16.766357
• Title: Simulation of acquisition shifts in T2 Flair MR images to stress test AI segmentation networks
• Title（参考訳）: ストレステストaiセグメンテーションネットワークにおけるt2 flair mr画像の獲得シフトのシミュレーション
• Authors: Christiane Posselt (1), Mehmet Yigit Avci (2), Mehmet Yigitsoy (2), Patrick Sch\"unke (3), Christoph Kolbitsch (3), Tobias Sch\"affter (3 and 4), Stefanie Remmele (1) ((1) University of Applied Sciences, Faculty of Electrical and Industrial Engineering, Am Lurzenhof 1, Landshut, Germany, (2) deepc GmbH, Blumenstrasse 28, 80331 Munich, Germany, (3) Physikalisch Technische Bundesanstalt, Abbestrasse 2-12, 10587 Berlin, Germany, (4) Technical University of Berlin, Department of Medical Engineering, Dovestrasse 6, Berlin, Germany)
• Abstract要約: この手法はMR信号方程式に基づいてMR画像の「獲得シフト微分」をシミュレートする。 実験は、実際のMRスキャンによるシミュレーション画像の検証と、最先端のMS病変セグメンテーションネットワークにおけるストレステストの例を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: To provide a simulation framework for routine neuroimaging test data, which allows for "stress testing" of deep segmentation networks against acquisition shifts that commonly occur in clinical practice for T2 weighted (T2w) fluid attenuated inversion recovery (FLAIR) Magnetic Resonance Imaging (MRI) protocols. Approach: The approach simulates "acquisition shift derivatives" of MR images based on MR signal equations. Experiments comprise the validation of the simulated images by real MR scans and example stress tests on state-of-the-art MS lesion segmentation networks to explore a generic model function to describe the F1 score in dependence of the contrast-affecting sequence parameters echo time (TE) and inversion time (TI). Results: The differences between real and simulated images range up to 19 % in gray and white matter for extreme parameter settings. For the segmentation networks under test the F1 score dependency on TE and TI can be well described by quadratic model functions (R^2 > 0.9). The coefficients of the model functions indicate that changes of TE have more influence on the model performance than TI. Conclusions: We show that these deviations are in the range of values as may be caused by erroneous or individual differences of relaxation times as described by literature. The coefficients of the F1 model function allow for quantitative comparison of the influences of TE and TI. Limitations arise mainly from tissues with the low baseline signal (like CSF) and when the protocol contains contrast-affecting measures that cannot be modelled due to missing information in the DICOM header.
• Abstract（参考訳）: 目的:T2重み付き(T2w)流体減衰インバージョンリカバリ(FLAIR)磁気共鳴イメージング(MRI)プロトコルの臨床試験で一般的に発生する買収シフトに対するディープセグメンテーションネットワークの「ストレステスト」を可能にする、定期的な神経画像検査データのシミュレーションフレームワークを提供する。 アプローチ: この手法はMR信号方程式に基づいてMR画像の「獲得シフト微分」をシミュレートする。 実験は、実MRスキャンによるシミュレーション画像の検証と、最先端のMS病変セグメンテーションネットワーク上でのストレステストにより、コントラスト影響配列パラメータのエコー時間(TE)と反転時間(TI)に依存するF1スコアを記述するための一般的なモデル関数を探索する。 結果: 実画像とシミュレーション画像の違いは, 極端なパラメータ設定では, 灰色と白質で最大 19 % であった。 テスト中のセグメンテーションネットワークでは、TEおよびTIに対するF1スコア依存は二次モデル関数(R^2 > 0.9)によってよく説明できる。 モデル関数の係数は、TEの変化がTIよりもモデル性能に強い影響を与えることを示している。 結論: これらの偏差は, 文献で記述した緩和時間の誤差や個人差によって生じる可能性がある値の範囲にあることを示す。 F1モデル関数の係数は、TEとTIの影響を定量的に比較することができる。 制限は主に低ベースラインシグナル(CSFなど)を持つ組織から生じ、DICOMヘッダの欠落情報のためにモデル化できないコントラスト影響尺度を含む場合である。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Decoupled Diffusion Models: Simultaneous Image to Zero and Zero to Noise [53.04220377034574]
  10機能未満の高画質(未条件)の画像生成のためのデカップリング拡散モデル(DDM)を提案する。 我々は,1) 画像から0遷移までをモデル化した解析的遷移確率に基づいて, 学習目標と(2) サンプリング式を逆時間に導出する。 1)無条件画像生成, CIFAR-10, CelebA-HQ-256, 2)超解像, 塩分検出, エッジ検出, 画像入力などの下流処理, テキスト処理, テキスト処理, テキスト処理, テキスト処理, 画像処理, 画像処理などと比較して, 非常に競争力のある性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
  本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。 最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。 再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
  論文  参考訳（メタデータ） (2023-05-04T12:20:51Z)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• Motion correction in MRI using deep learning and a novel hybrid loss function [11.424624100447332]
  脳磁気共鳴画像(MRI)における運動アーチファクト抑制のための深層学習法(MC-Net)の開発 MC-Netは、2段階のマルチロス関数と組み合わせたUNetから派生した。
  論文  参考訳（メタデータ） (2022-10-19T14:40:41Z)
• Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer for CT Scans [2.3682456328966115]
  我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。 まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。 そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T16:59:05Z)
• MR-Contrast-Aware Image-to-Image Translations with Generative Adversarial Networks [5.3580471186206005]
  MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。 提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-04-03T17:05:13Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。