Fugu-MT 論文翻訳(概要): RimSet: Quantitatively Identifying and Characterizing Chronic Active Multiple Sclerosis Lesion on Quantitative Susceptibility Maps

論文の概要: RimSet: Quantitatively Identifying and Characterizing Chronic Active Multiple Sclerosis Lesion on Quantitative Susceptibility Maps

arxiv url: http://arxiv.org/abs/2312.16835v1
Date: Thu, 28 Dec 2023 05:44:15 GMT
ステータス: 処理完了
システム内更新日: 2023-12-29 17:16:59.476584
Title: RimSet: Quantitatively Identifying and Characterizing Chronic Active Multiple Sclerosis Lesion on Quantitative Susceptibility Maps
Title（参考訳）: RimSet: 定量的感受性マップによる慢性活動性多発性硬化病変の定量的同定と特徴付け
Authors: Hang Zhang, Thanh D. Nguyen, Jinwei Zhang, Renjiu Hu, Susan A. Gauthier, and Yi Wang
Abstract要約: 多発性硬化症(MS)におけるRim+病変の定量的感受性マッピング(QSM)による検出本報告では,QSM上のリム+病変の定量的同定とキャラクタリゼーションを行うためにRimSetを導入する。
参考スコア（独自算出の注目度）: 5.1998031629408095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background: Rim+ lesions in multiple sclerosis (MS), detectable via Quantitative Susceptibility Mapping (QSM), correlate with increased disability. Existing literature lacks quantitative analysis of these lesions. We introduce RimSet for quantitative identification and characterization of rim+ lesions on QSM. Methods: RimSet combines RimSeg, an unsupervised segmentation method using level-set methodology, and radiomic measurements with Local Binary Pattern texture descriptors. We validated RimSet using simulated QSM images and an in vivo dataset of 172 MS subjects with 177 rim+ and 3986 rim-lesions. Results: RimSeg achieved a 78.7% Dice score against the ground truth, with challenges in partial rim lesions. RimSet detected rim+ lesions with a partial ROC AUC of 0.808 and PR AUC of 0.737, surpassing existing methods. QSMRim-Net showed the lowest mean square error (0.85) and high correlation (0.91; 95% CI: 0.88, 0.93) with expert annotations at the subject level.
Abstract（参考訳）: 背景: 多発性硬化症 (MS) における Rim+ 病変は, 定量的感受性マッピング (QSM) により検出され, 障害の増大と相関する。既存の文献にはこれらの病変の定量的解析が欠けている。本稿では,QSM上のリム+病変の定量的同定と解析のためにRimSetを紹介した。方法: RmSetはレベルセット手法を用いた教師なしセグメンテーション手法であるRimSegと、ローカルバイナリパターンテクスチャ記述子による放射能測定を組み合わせたものである。模擬QSM画像と177 rim+と3986 rim-lesionの172 MS 被験者の in vivo データセットを用いてRimSetを検証した。結果: rimsegは基底真理に対して78.7%のdiceスコアを獲得し, 部分的rim病変に難渋した。 RimSetは、一部のROC AUCが0.808、PR AUCが0.737のリム+病変を検出。 QSMRim-Netは平均二乗誤差 (0.85) と高い相関 (0.91; 95% CI: 0.88, 0.93) を示した。

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)
Localizing Anomalies via Multiscale Score Matching Analysis [13.898576482792173]
本稿では,脳MRIにおける異常局所化のための新しい教師なし手法であるSpatial-MSMAを紹介する。パッチ位置とグローバル画像の特徴を条件としたフレキシブルな正規化フローモデルを用いて、パッチワイド異常スコアを推定する。この方法は、通常発達している幼児の1,650T1およびT2重み付き脳MRIのデータセットで評価される。
論文参考訳（メタデータ） (2024-06-28T17:57:12Z)
Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。 The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
論文参考訳（メタデータ） (2024-06-25T09:56:30Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
Multivariate Analysis on Performance Gaps of Artificial Intelligence Models in Screening Mammography [4.123006816939975]
異常分類のための深層学習モデルは,マンモグラフィーのスクリーニングにおいて良好に機能する。モデル不全のリスクの増加に伴う人口統計学的、画像的、臨床的特徴はいまだに不明である。年齢,人種,病理所見,組織密度,画像特徴によって定義されるサブグループによるモデル性能の評価を行った。
論文参考訳（メタデータ） (2023-05-08T02:28:45Z)
Shifted-Windows Transformers for the Detection of Cerebral Aneurysms in Microsurgery [8.468248593085525]
本稿では,フレームレベルの専門家アノテーションを用いた16の手術ビデオを含むMACSデータセットについて紹介する。手術用顕微鏡の視野に存在する大動脈瘤とビデオフレームを識別する手術シーン理解のための学習手法を提案する。提案手法は, 独立した集合を用いた多次元クロスバリデーション実験と, 人間の10名に対する15枚の画像集合を用いて評価した。
論文参考訳（メタデータ） (2023-03-16T20:58:48Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
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)
WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文参考訳（メタデータ） (2022-04-13T15:27:05Z)
Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。低解像を補うための強力な深層学習に基づく画像強化手法を検討する。復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文参考訳（メタデータ） (2021-03-04T10:45:01Z)

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。