Fugu-MT 論文翻訳(概要): FetMRQC: a robust quality control system for multi-centric fetal brain MRI

論文の概要: FetMRQC: a robust quality control system for multi-centric fetal brain MRI

arxiv url: http://arxiv.org/abs/2311.04780v2
Date: Tue, 23 Jul 2024 09:33:23 GMT
ステータス: 処理完了
システム内更新日: 2024-07-24 23:23:10.474854
Title: FetMRQC: a robust quality control system for multi-centric fetal brain MRI
Title（参考訳）: FetMRQC : 多心性胎児脳MRIのための堅牢な品質制御システム
Authors: Thomas Sanchez, Oscar Esteban, Yvan Gomez, Alexandre Pron, Mériam Koob, Vincent Dunet, Nadine Girard, Andras Jakab, Elisenda Eixarch, Guillaume Auzias, Meritxell Bach Cuadra,
Abstract要約: 本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。 FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
参考スコア（独自算出の注目度）: 33.08151493899017
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fetal brain MRI is becoming an increasingly relevant complement to neurosonography for perinatal diagnosis, allowing fundamental insights into fetal brain development throughout gestation. However, uncontrolled fetal motion and heterogeneity in acquisition protocols lead to data of variable quality, potentially biasing the outcome of subsequent studies. We present FetMRQC, an open-source machine-learning framework for automated image quality assessment and quality control that is robust to domain shifts induced by the heterogeneity of clinical data. FetMRQC extracts an ensemble of quality metrics from unprocessed anatomical MRI and combines them to predict experts' ratings using random forests. We validate our framework on a pioneeringly large and diverse dataset of more than 1600 manually rated fetal brain T2-weighted images from four clinical centers and 13 different scanners. Our study shows that FetMRQC's predictions generalize well to unseen data while being interpretable. FetMRQC is a step towards more robust fetal brain neuroimaging, which has the potential to shed new insights on the developing human brain.
Abstract（参考訳）: 胎児脳MRIは、周産期診断のための神経超音波検査の補完となり、妊娠中における胎児脳の発達に関する基本的な洞察を可能にしている。しかし、摂食プロトコルの制御されていない胎児の動きと不均一性は、変動品質のデータをもたらし、その後の研究の結果をバイアスする可能性がある。臨床データの異種性によって引き起こされる領域シフトに頑健な画像品質評価と品質管理のためのオープンソースの機械学習フレームワークであるFetMRQCを提案する。 FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせ、ランダムな森林を用いて専門家のレーティングを予測する。我々は,4つの臨床センターと13の異なるスキャナーから,1600以上の胎児脳T2強調画像を手作業で評価した,先駆的に大きく多様なデータセット上で,我々の枠組みを検証した。本研究は,FetMRQCの予測が解釈可能でありながら未確認データによく当てはまることを示す。 FetMRQCは、より堅牢な胎児脳画像へのステップであり、人間の脳の発達に関する新たな洞察を隠蔽する可能性がある。

関連論文リスト

MindFormer: A Transformer Architecture for Multi-Subject Brain Decoding via fMRI [50.55024115943266]
我々は、fMRI条件の特徴ベクトルを生成するためにMindFormerと呼ばれる新しいトランスフォーマーアーキテクチャを導入する。 MindFormerは,1)fMRI信号から意味論的に意味のある特徴を抽出するIP-Adapterに基づく新しいトレーニング戦略,2)fMRI信号の個人差を効果的に捉える主観的トークンと線形層である。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data [1.1936126505067601]
胎児脳MRIにおける領域ランダム化手法であるFetal SynthSegを紹介する。以上の結果から,合成データのみにトレーニングされたモデルは,実データにトレーニングされたモデルよりも優れていた。評価は低磁場(0.55T)MRIで得られた40例に拡張し,新しいSRモデルを用いて再構成した。
論文参考訳（メタデータ） (2024-03-22T10:42:25Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
論文参考訳（メタデータ） (2023-10-26T18:27:20Z)
Fetal-BET: Brain Extraction Tool for Fetal MRI [4.214523989654048]
約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
論文参考訳（メタデータ） (2023-10-02T18:14:23Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
FetMRQC: Automated Quality Control for fetal brain MRI [1.6231541773673115]
胎児脳MRIに適した画像品質自動評価のための機械学習フレームワークFetMRQCを提案する。 FetMRQCは、解釈可能でデータ効率が良く、領域外を一般化できることを示す。また、胎児脳画像の品質評価の容易化と最適化を目的とした、手動品質評価ツールもリリースした。
論文参考訳（メタデータ） (2023-04-12T14:20:21Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
Evaluating U-net Brain Extraction for Multi-site and Longitudinal Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。 U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。 240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文参考訳（メタデータ） (2022-03-11T02:00:27Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。