Fugu-MT 論文翻訳(概要): Diffusion MRI with Machine Learning

論文の概要: Diffusion MRI with Machine Learning

arxiv url: http://arxiv.org/abs/2402.00019v1
Date: Mon, 1 Jan 2024 13:03:35 GMT
ステータス: 処理完了
システム内更新日: 2024-02-04 05:21:20.847349
Title: Diffusion MRI with Machine Learning
Title（参考訳）: 機械学習を用いた拡散MRI
Authors: Davood Karimi
Abstract要約: 拡散強調磁気共鳴イメージング(dMRI)はユニークな機能を備えている。機械学習は、dMRI分析の難しいタスクのいくつかに取り組むのに非常に適しているかもしれない。
参考スコア（独自算出の注目度）: 1.9798034349981164
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion-weighted magnetic resonance imaging (dMRI) offers unique capabilities such as noninvasive assessment of brain's micro-structure and structural connectivity. However, analyzing the dMRI data to extract useful information for clinical and scientific purposes is challenging. The dMRI measurements often suffer from strong noise and artifacts, there is usually high inter-session and inter-scanner heterogeneity in the data and considerable inter-subject variability in brain structure, and the relationship between measurements and the phenomena of interest can be highly complex. Recent years have witnessed increasing use of machine learning methods for dMRI analysis. This manuscript aims to assess these efforts, with a focus on methods that have addressed micro-structure mapping, tractography, white matter tract analysis, as well as data preprocessing and harmonization. We summarize the main findings, strengths, and weaknesses of the existing methods and suggest topics for future research. We find that machine learning may be exceptionally suited to tackle some of the difficult tasks in dMRI analysis. However, for this to happen, several shortcomings of existing methods and critical unresolved issues need to be addressed. These include deficient evaluation practices, lack of rich training datasets and validation benchmarks, as well as model generalizability, reliability, and explainability concerns.
Abstract（参考訳）: 拡散強調磁気共鳴イメージング(dMRI)は、脳の微細構造と構造的接続性の非侵襲的な評価のようなユニークな機能を提供する。しかし,臨床的,科学的目的で有用な情報を抽出するためにdMRIデータを解析することは困難である。 dMRI測定は、しばしば強いノイズやアーティファクトに悩まされ、通常、データには高いセッション間およびスキャン間不均一性があり、脳構造におけるかなりのオブジェクト間変動があり、測定と興味の現象の関係は非常に複雑である。近年,dMRI解析における機械学習手法の利用が増加している。本書は, マイクロ構造マッピング, トラクトグラフィ, ホワイトマタートラクト解析, データ前処理, 調和化に対処した手法に着目し, これらの取り組みを評価することを目的とする。本稿では,既存手法の主な発見,強み,弱点を概説し,今後の研究課題を提案する。機械学習は、dMRI分析の難しい課題に取り組むのに非常に適しているかもしれない。しかし、これが起こるためには、既存のメソッドと重大な未解決の問題に対処する必要がある。評価プラクティスの不足、豊富なトレーニングデータセットと検証ベンチマークの欠如、モデルの一般化性、信頼性、説明可能性に関する懸念などが含まれている。

関連論文リスト

MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
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)
Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文参考訳（メタデータ） (2023-08-24T01:30:18Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
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)
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)
Experimenting with Knowledge Distillation techniques for performing Brain Tumor Segmentation [0.0]
マルチモーダルMRI(Multi-modal magnetic resonance imaging)は、ヒト脳を解析するための重要な方法である。重症度と検出の程度が異なるため、グリオーマを適切に診断することは、現代の医学において最も厄介で重要な分析課題の1つである。私たちの主な焦点は、マルチモーダルMRIスキャンで脳腫瘍のセグメント化を行うために、さまざまなアプローチで作業することにあります。
論文参考訳（メタデータ） (2021-05-24T18:17:01Z)
Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文参考訳（メタデータ） (2021-05-18T11:37:57Z)
Incorporating structured assumptions with probabilistic graphical models in fMRI data analysis [5.23143327587266]
我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。これらのアルゴリズムも同様にfMRIの課題に取り組む。認知神経科学における明示的モデル構築のより広範な採用を提唱する。
論文参考訳（メタデータ） (2020-05-11T06:32:54Z)
Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文参考訳（メタデータ） (2020-04-01T09:01:25Z)

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。