論文の概要: Deep Learning-Based Correction and Unmixing of Hyperspectral Images for
Brain Tumor Surgery
- arxiv url: http://arxiv.org/abs/2402.03761v1
- Date: Tue, 6 Feb 2024 07:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 16:07:42.894889
- Title: Deep Learning-Based Correction and Unmixing of Hyperspectral Images for
Brain Tumor Surgery
- Title（参考訳）: 深層学習に基づく脳腫瘍手術用ハイパースペクトル画像の補正とアンミックス
- Authors: David Black, Jaidev Gill, Andrew Xie, Benoit Liquet, Antonio Di leva,
Walter Stummer, Eric Suero Molina
- Abstract要約: 修正とアンミックスのための2つの深層学習モデルを提案する。
1つはプロトポルフィリンIX(PpIX)濃度ラベルで訓練されている。
他方は半教師ありの訓練を受け、まずハイパースペクトルを解き放つ自己教師を学習し、続いて蛍光スペクトルの補正を学習する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral Imaging (HSI) for fluorescence-guided brain tumor resection
enables visualization of differences between tissues that are not
distinguishable to humans. This augmentation can maximize brain tumor
resection, improving patient outcomes. However, much of the processing in HSI
uses simplified linear methods that are unable to capture the non-linear,
wavelength-dependent phenomena that must be modeled for accurate recovery of
fluorophore abundances. We therefore propose two deep learning models for
correction and unmixing, which can account for the nonlinear effects and
produce more accurate estimates of abundances. Both models use an
autoencoder-like architecture to process the captured spectra. One is trained
with protoporphyrin IX (PpIX) concentration labels. The other undergoes
semi-supervised training, first learning hyperspectral unmixing self-supervised
and then learning to correct fluorescence emission spectra for heterogeneous
optical and geometric properties using a reference white-light reflectance
spectrum in a few-shot manner. The models were evaluated against phantom and
pig brain data with known PpIX concentration; the supervised model achieved
Pearson correlation coefficients (R values) between the known and computed PpIX
concentrations of 0.997 and 0.990, respectively, whereas the classical approach
achieved only 0.93 and 0.82. The semi-supervised approach's R values were 0.98
and 0.91, respectively. On human data, the semi-supervised model gives
qualitatively more realistic results than the classical method, better removing
bright spots of specular reflectance and reducing the variance in PpIX
abundance over biopsies that should be relatively homogeneous. These results
show promise for using deep learning to improve HSI in fluorescence-guided
neurosurgery.
- Abstract（参考訳）: 蛍光誘導脳腫瘍切除のためのハイパースペクトルイメージング(HSI)は、ヒトでは識別できない組織の違いを可視化する。
この増強は脳腫瘍の切除を最大化し、患者の予後を改善する。
しかし、hsiの処理の多くは、フルオロフォアの存在量の正確な回復のためにモデル化されなければならない非線形波長依存現象を捉えることができない単純な線形法を用いている。
そこで本研究では,非線形効果を考慮し,より正確な量の推定を行うことができる2つの深層学習モデルを提案する。
どちらのモデルも、捕獲されたスペクトルを処理するためにオートエンコーダのようなアーキテクチャを使用する。
1つはプロトポルフィリンIX(PpIX)濃度ラベルで訓練されている。
他方は半教師訓練を行い、まずハイパースペクトルアンミックスを学習し、その後、参照白色光反射スペクトルを用いて不均一な光学的・幾何学的性質の蛍光発光スペクトルを数ショットで補正する学習を行う。
PpIX 濃度と計算した PpIX 濃度 0.997 と 0.990 の Pearson 相関係数 (R 値) は, 従来の手法では 0.93 と 0.82 しか得られなかった。
半教師ありアプローチのR値はそれぞれ0.98と0.91である。
人間のデータでは、半教師付きモデルは古典的手法よりも質的により現実的な結果を与え、スペクトル反射率の鮮明な点を除去し、比較的均一であるべき生検に対するPpIX量の分散を減少させる。
これらの結果から,蛍光誘導神経外科における深層学習によるHSIの改善が期待できる。
関連論文リスト
- A Hybrid Deep Learning Classification of Perimetric Glaucoma Using Peripapillary Nerve Fiber Layer Reflectance and Other OCT Parameters from Three Anatomy Regions [0.907773831569615]
ハイブリッドディープラーニングモデルは、NFL反射率とその他のOCTパラメータを組み合わせて、緑内障の診断を改善する。
全体的な精度は0.948で0.893の感度と1.000の特異性があり、AROCは0.979であり、ロジスティック回帰モデルよりもかなり優れている。
論文 参考訳（メタデータ） (2024-06-06T00:30:51Z) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-03-06T08:35:29Z) - MAF-Net: Multiple attention-guided fusion network for fundus vascular
image segmentation [1.3295074739915493]
網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。
従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。
提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-05T15:22:20Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳（メタデータ） (2022-10-17T21:38:38Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD
classification directly from H&E whole-slide images in colorectal and breast
cancer [22.46523830554047]
ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。
We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
論文 参考訳（メタデータ） (2021-07-20T11:00:16Z) - Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism [21.47219330040151]
我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。
我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
論文 参考訳（メタデータ） (2021-02-02T11:42:31Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Data Augmentation for Histopathological Images Based on
Gaussian-Laplacian Pyramid Blending [59.91656519028334]
データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。
本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。
BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
論文 参考訳（メタデータ） (2020-01-31T22:02:57Z)
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。