Fugu-MT 論文翻訳(概要): MedTransformer: Accurate AD Diagnosis for 3D MRI Images through 2D Vision Transformers

論文の概要: MedTransformer: Accurate AD Diagnosis for 3D MRI Images through 2D Vision Transformers

arxiv url: http://arxiv.org/abs/2401.06349v1
Date: Fri, 12 Jan 2024 03:53:37 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 20:33:11.073369
Title: MedTransformer: Accurate AD Diagnosis for 3D MRI Images through 2D Vision Transformers
Title（参考訳）: MedTransformer:2次元視覚変換器による3次元MRI画像の正確なAD診断
Authors: Yifeng Wang, Ke Chen, Yihan Zhang and Haohan Wang
Abstract要約: 3次元MRI画像中のADを診断するために,様々なトランスフォーマーアテンションエンコーダを用いた2次元トランスフォーマーベース医療画像モデルを提案する。モデルは3次元にわたる共有エンコーダ、次元固有のエンコーダ、同一次元からのイメージへの注意、3次元にわたる注意の4つの主要コンポーネントで構成されている。提案するMedTransformerはADを診断する強力な能力を示す。
参考スコア（独自算出の注目度）: 27.127609963814436
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated diagnosis of AD in brain images is becoming a clinically important technique to support precision and efficient diagnosis and treatment planning. A few efforts have been made to automatically diagnose AD in magnetic resonance imaging (MRI) using three-dimensional CNNs. However, due to the complexity of 3D models, the performance is still unsatisfactory, both in terms of accuracy and efficiency. To overcome the complexities of 3D images and 3D models, in this study, we aim to attack this problem with 2D vision Transformers. We propose a 2D transformer-based medical image model with various transformer attention encoders to diagnose AD in 3D MRI images, by cutting the 3D images into multiple 2D slices.The model consists of four main components: shared encoders across three dimensions, dimension-specific encoders, attention across images from the same dimension, and attention across three dimensions. It is used to obtain attention relationships among multiple sequences from different dimensions (axial, coronal, and sagittal) and multiple slices. We also propose morphology augmentation, an erosion and dilation based method to increase the structural difference between AD and normal images. In this experiment, we use multiple datasets from ADNI, AIBL, MIRAID, OASIS to show the performance of our model. Our proposed MedTransformer demonstrates a strong ability in diagnosing AD. These results demonstrate the effectiveness of MedTransformer in learning from 3D data using a much smaller model and its capability to generalize among different medical tasks, which provides a possibility to help doctors diagnose AD in a simpler way.
Abstract（参考訳）: 脳画像中のadの自動診断は、正確かつ効率的な診断および治療計画を支援する臨床的に重要な技術になりつつある。 3次元CNNを用いたMRIでADを自動的に診断する試みがいくつか行われている。しかし、3Dモデルの複雑さのため、精度と効率の両面ではまだ性能が不十分である。本研究では, 3次元画像と3次元モデルの複雑さを克服するために, 2次元視覚トランスフォーマーを用いてこの問題に取り組むことを目的とする。 3次元MRI画像中のADを複数の2次元スライスに切り離して診断する2次元トランスフォーマーに基づく医用画像モデルを提案し,そのモデルは,3次元にわたる共有エンコーダ,次元固有のエンコーダ,同一次元からの注目,3次元にわたる注目の4つの主成分から構成される。異なる次元(軸、コロナ、矢状)と複数のスライスから複数の配列間の注意関係を得るのに使用される。また,AD画像と正常画像の構造差を増大させるために,エロージョンと拡張に基づく形態改善法を提案する。この実験では、ADNI、AIBL、MIRAID、OASISの複数のデータセットを用いて、モデルの性能を示す。提案するMedTransformerはADを診断する強力な能力を示す。これらの結果は、より小さなモデルを用いて3Dデータから学習する上でのMedTransformerの有効性と、医師がADを簡易に診断するのに役立つ様々な医療タスクを一般化する能力を示す。

関連論文リスト

Domain Aware Multi-Task Pretraining of 3D Swin Transformer for T1-weighted Brain MRI [4.453300553789746]
脳磁気共鳴画像(MRI)のための3次元スイム変換器の事前訓練のためのドメイン認識型マルチタスク学習タスクを提案する。脳の解剖学と形態学を取り入れた脳MRIの領域知識と、対照的な学習環境での3Dイメージングに適応した標準的な前提課題を考察した。本手法は,アルツハイマー病の分類,パーキンソン病の分類,年齢予測の3つの下流課題において,既存の指導的・自己監督的手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-01T05:21:02Z)
Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文参考訳（メタデータ） (2024-03-19T15:57:04Z)
3D Transformer based on deformable patch location for differential diagnosis between Alzheimer's disease and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭葉認知症は重度の臨床症状を呈する神経変性疾患の一般的なタイプである。変形可能なパッチ位置モジュールを用いた新規な3次元トランスフォーマーアーキテクチャーを提案し,アルツハイマー病と前頭側頭葉認知症の鑑別診断を改善した。
論文参考訳（メタデータ） (2023-09-06T17:42:18Z)
Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文参考訳（メタデータ） (2023-03-15T08:28:06Z)
View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文参考訳（メタデータ） (2022-09-20T11:58:23Z)
Inflating 2D Convolution Weights for Efficient Generation of 3D Medical Images [35.849240945334]
3次元医用画像は取得・注釈するのに高価であり,多くのパラメータが3次元畳み込みに関与している。本稿では3D Split&Shuffle-GANと呼ばれる新しいGANモデルを提案する。提案手法は,パラメータが大幅に少ない3次元画像の画質向上につながることを示す。
論文参考訳（メタデータ） (2022-08-08T06:31:00Z)
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)
Leveraging 3D Information in Unsupervised Brain MRI Segmentation [1.6148039130053087]
Unsupervised Anomaly Detection (UAD) 法を提案し,Variational Autoencoder (VAE) を用いて学習した健常モデルの異常を検出する。本稿では,UADを3D方式で実行し,2Dと3DのVAEを比較することを提案する。サイドコントリビューションとして、堅牢なトレーニングを保証する新しい損失機能を紹介します。学習は、健康な脳MRIの多心性データセットを使用して行われ、白マター高輝度および腫瘍病変のセグメント化性能が推定される。
論文参考訳（メタデータ） (2021-01-26T10:04:57Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
Attention-Guided Version of 2D UNet for Automatic Brain Tumor Segmentation [2.371982686172067]
グリオーマは脳腫瘍の中でも最も一般的で攻撃的であり、高い成績で寿命が短くなる。深層畳み込みニューラルネットワーク(DCNN)は脳腫瘍のセグメンテーションにおいて顕著な性能を発揮している。しかし, グリオーマの強度や外観に変化があるため, この課題は依然として困難である。
論文参考訳（メタデータ） (2020-04-04T20:09:06Z)

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。