論文の概要: Local Gamma Augmentation for Ischemic Stroke Lesion Segmentation on MRI
- arxiv url: http://arxiv.org/abs/2401.06893v1
- Date: Fri, 12 Jan 2024 21:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 20:57:07.308152
- Title: Local Gamma Augmentation for Ischemic Stroke Lesion Segmentation on MRI
- Title(参考訳): mriによる脳梗塞病変分割に対する局所ガンマ増強術
- Authors: Jon Middleton, Marko Bauer, Kaining Sheng, Jacob Johansen, Mathias
Perslev, Silvia Ingala, Mads Nielsen, Akshay Pai
- Abstract要約: 局所ガンマ増強は、病理組織に新しい強度の例を導入する技術である。
局所的なガンマ増感は, 磁気共鳴画像における虚血性病変のセグメンテーションを課題とするディープニューラルネットワークのイメージレベルの感度を向上させることができることを示す。
- 参考スコア(独自算出の注目度): 2.1464087136305774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification and localisation of pathological tissues in medical images
continues to command much attention among deep learning practitioners. When
trained on abundant datasets, deep neural networks can match or exceed human
performance. However, the scarcity of annotated data complicates the training
of these models. Data augmentation techniques can compensate for a lack of
training samples. However, many commonly used augmentation methods can fail to
provide meaningful samples during model fitting. We present local gamma
augmentation, a technique for introducing new instances of intensities in
pathological tissues. We leverage local gamma augmentation to compensate for a
bias in intensities corresponding to ischemic stroke lesions in human brain
MRIs. On three datasets, we show how local gamma augmentation can improve the
image-level sensitivity of a deep neural network tasked with ischemic lesion
segmentation on magnetic resonance images.
- Abstract(参考訳): 医用画像における病理組織の同定と局在は、深層学習実践者の間で大きな注目を集めている。
豊富なデータセットでトレーニングを行うと、ディープニューラルネットワークは人間のパフォーマンスにマッチしたり、超えたりすることができる。
しかし、注釈付きデータの不足はこれらのモデルの訓練を複雑にする。
データ拡張技術は、トレーニングサンプルの不足を補うことができる。
しかし、一般的な拡張法の多くは、モデルフィッティング中に意味のあるサンプルを提供することができない。
病理組織に新しい強度の例を導入する手法である局所ガンマ増強法を提案する。
局所的なガンマ増強を利用してヒト脳MRIにおける虚血性脳梗塞病変に対応する強度のバイアスを補正する。
3つのデータセットにおいて, 局所ガンマ増強は, 磁気共鳴画像の虚血病変セグメント化を課題とする深層ニューラルネットワークの感度をいかに向上させるかを示す。
関連論文リスト
- 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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - 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) - Scale-Equivariant Unrolled Neural Networks for Data-Efficient
Accelerated MRI Reconstruction [33.82162420709648]
本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。
我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
論文 参考訳(メタデータ) (2022-04-21T23:29:52Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep
Anchor Attention Learning with Vision Transformer [4.630654643366308]
画像ベース脳腫瘍予測モデルによるMRIによるX線学的表現型の定量化
腫瘍内表現型不均一性の証拠にもかかわらず、MRIスキャンにおける異なるスライス間の空間的多様性は、そのような方法では比較的研究されていない。
本稿では,脳腫瘍患者の生存リスクを予測するために,ビジョントランスフォーマを用いたディープアンカーアテンションアグリゲーション戦略を提案する。
論文 参考訳(メタデータ) (2022-02-03T21:33:08Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳(メタデータ) (2020-10-11T22:01:37Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳(メタデータ) (2020-06-23T20:43:18Z)
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。