論文の概要: Towards an accurate and generalizable multiple sclerosis lesion
segmentation model using self-ensembled lesion fusion
- arxiv url: http://arxiv.org/abs/2312.01460v1
- Date: Sun, 3 Dec 2023 17:08:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 17:23:18.082469
- Title: Towards an accurate and generalizable multiple sclerosis lesion
segmentation model using self-ensembled lesion fusion
- Title（参考訳）: self-ensembled lesion fusion を用いた多発性硬化性病変分節モデルの構築
- Authors: Jinwei Zhang, Lianrui Zuo, Blake E. Dewey, Samuel W. Remedios, Dzung
L. Pham, Aaron Carass and Jerry L. Prince
- Abstract要約: そこで我々は,よく知られたU-Netアーキテクチャを用いて,精度よく一般化可能なMS病変分割モデルを構築した。
新たな自己アンサンブル型病変融合戦略が提案され, 最高の性能を達成できただけでなく, 様々な自己アンサンブルパラメータの選択に対して頑健性を示した。
- 参考スコア（独自算出の注目度）: 4.024932070294212
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic multiple sclerosis (MS) lesion segmentation using multi-contrast
magnetic resonance (MR) images provides improved efficiency and reproducibility
compared to manual delineation. Current state-of-the-art automatic MS lesion
segmentation methods utilize modified U-Net-like architectures. However, in the
literature, dedicated architecture modifications were always required to
maximize their performance. In addition, the best-performing methods have not
proven to be generalizable to diverse test datasets with contrast variations
and image artifacts. In this work, we developed an accurate and generalizable
MS lesion segmentation model using the well-known U-Net architecture without
further modification. A novel test-time self-ensembled lesion fusion strategy
is proposed that not only achieved the best performance using the ISBI 2015 MS
segmentation challenge data but also demonstrated robustness across various
self-ensemble parameter choices. Moreover, equipped with instance normalization
rather than batch normalization widely used in literature, the model trained on
the ISBI challenge data generalized well on clinical test datasets from
different scanners.
- Abstract（参考訳）: マルチコントラスト磁気共鳴画像を用いた多発性硬化症 (MS) 病変の自動切除は, 手動による除線よりも効率と再現性が向上する。
改良型U-Netアーキテクチャを用いた最先端自動MS病変分割法
しかし、文献では、その性能を最大化するために、専用のアーキテクチャの変更が常に求められていた。
さらに, コントラスト変動と画像アーティファクトを有する多種多様なテストデータセットに対して, 最適性能の手法が一般化可能であることが証明されていない。
本研究では,よく知られたU-Netアーキテクチャを用いて,精度よく一般化可能なMS病変分割モデルを構築した。
isbi 2015 msセグメンテーションチャレンジデータを用いて, 優れた性能を達成しただけでなく, 様々な自己センブルパラメータの選択に対してロバスト性を示した。
さらに,文献で広く使用されているバッチ正規化ではなく,インスタンス正規化を応用して,ISBIチャレンジデータに基づいてトレーニングされたモデルは,異なるスキャナーからの臨床検査データセットに基づいてよく一般化された。
関連論文リスト
- Toward Generalizable Multiple Sclerosis Lesion Segmentation Models [0.0]
本研究の目的は,多様な評価データセットにまたがる一般化モデルを開発することである。
私たちは、最先端のUNet++アーキテクチャを体系的にトレーニングした、高品質で公開可能なすべてのMS病変セグメンテーションデータセットを使用しました。
論文 参考訳（メタデータ） (2024-10-25T15:21:54Z) - Deep models for stroke segmentation: do complex architectures always perform better? [1.4651272514940197]
ストロークセグメンテーションは脳卒中患者の診断と治療において重要な役割を担っている。
一般的な医用画像分割のためのディープモデルが導入された。
本研究では,最近提案された4種類の深部モデルを選択し,脳卒中セグメンテーションの性能評価を行った。
論文 参考訳（メタデータ） (2024-03-25T20:44:01Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - 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) - Data Augmentation-Based Unsupervised Domain Adaptation In Medical
Imaging [0.709016563801433]
脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。
その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
論文 参考訳（メタデータ） (2023-08-08T17:00:11Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - 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) - 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) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。