Fugu-MT 論文翻訳(概要): Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks

論文の概要: Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2402.08098v1
Date: Mon, 12 Feb 2024 22:34:57 GMT
ステータス: 処理完了
システム内更新日: 2024-02-14 17:18:59.664031
Title: Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークを用いた身体MRI系列型の自動分類
Authors: Kimberly Helm, Tejas Sudharshan Mathai, Boah Kim, Pritam Mukherjee, Jianfei Liu, Ronald M. Summers
Abstract要約: 胸部,腹部,骨盤のレベルで得られた3次元MRIの配列を自動分類する方法を提案する。われわれは,胸部,腹部,骨盤のMRI画像の3次元分類法を初めて開発した。
参考スコア（独自算出の注目度）: 7.734037486455235
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-parametric MRI of the body is routinely acquired for the identification of abnormalities and diagnosis of diseases. However, a standard naming convention for the MRI protocols and associated sequences does not exist due to wide variations in imaging practice at institutions and myriad MRI scanners from various manufacturers being used for imaging. The intensity distributions of MRI sequences differ widely as a result, and there also exists information conflicts related to the sequence type in the DICOM headers. At present, clinician oversight is necessary to ensure that the correct sequence is being read and used for diagnosis. This poses a challenge when specific series need to be considered for building a cohort for a large clinical study or for developing AI algorithms. In order to reduce clinician oversight and ensure the validity of the DICOM headers, we propose an automated method to classify the 3D MRI sequence acquired at the levels of the chest, abdomen, and pelvis. In our pilot work, our 3D DenseNet-121 model achieved an F1 score of 99.5% at differentiating 5 common MRI sequences obtained by three Siemens scanners (Aera, Verio, Biograph mMR). To the best of our knowledge, we are the first to develop an automated method for the 3D classification of MRI sequences in the chest, abdomen, and pelvis, and our work has outperformed the previous state-of-the-art MRI series classifiers.
Abstract（参考訳）: 異常の同定と疾患の診断のために、身体のマルチパラメトリックMRIが定期的に取得される。しかし、MRIプロトコルや関連配列の標準的な命名規則は、様々なメーカーのMRIスキャナーが画像撮影に使われている施設でのイメージングの実践の幅広いバリエーションのために存在しない。その結果、MRIシーケンスの強度分布は様々であり、DICOMヘッダのシーケンスタイプに関連する情報競合も存在する。現在、正しいシーケンスを読み取り、診断に使用するためには、臨床医の監視が必要である。これは、大規模な臨床研究のためのコホートを構築するために、あるいはAIアルゴリズムを開発するために、特定のシリーズを考える必要がある場合、課題となる。 dicomヘッダーの有効性を確保するために,胸部,腹部,骨盤のレベルで獲得した3次元mriシーケンスを自動分類する手法を提案する。我々の3D DenseNet-121モデルは、3つのシーメンススキャナー(Aera, Verio, Biograph mMR)で得られた5つのMRIシークエンスを区別し、99.5%のF1スコアを得た。私たちの知る限りでは、胸部、腹部、骨盤のmriシーケンスを3次元に分類する自動化手法を最初に開発し、これまでの最先端のmri系列分類器よりも優れています。

関連論文リスト

Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文参考訳（メタデータ） (2024-09-25T11:14:47Z)
Automated classification of multi-parametric body MRI series [7.039977392090069]
我々は,mpMRI研究において,8種類の異なるシリーズのタイプを分類する自動フレームワークを提案する。我々は3つのシーメンススキャナーによって取得された1,363個の研究を用いて、5倍のクロスバリデーションを持つDenseNet-121モデルを訓練した。平均精度は96.6%,感度は96.6%,特異性は99.6%,F1スコアは96.6%であった。
論文参考訳（メタデータ） (2024-05-14T00:39:21Z)
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)
SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
Towards multi-modal anatomical landmark detection for ultrasound-guided brain tumor resection with contrastive learning [3.491999371287298]
医用スキャン間の同種解剖学的ランドマークは、画像登録品質の定量的評価に有効である。神経外科におけるMRIと術中USスキャンの対応するランドマークを検出するための,新しいコントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-07-26T21:55:40Z)
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)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
Synthesis-based Imaging-Differentiation Representation Learning for Multi-Sequence 3D/4D MRI [16.725225424047256]
画像差分表現学習のためのシーケンス・ツー・シーケンス生成フレームワーク(Seq2Seq)を提案する。本研究では、1つのモデル内で任意の3D/4Dシーケンスを生成し、任意のターゲットシーケンスを生成するだけでなく、各シーケンスの重要性をランク付けする。我々は,2万名の模擬被験者のおもちゃデータセット,1,251名の脳MRIデータセット,2,101名の乳房MRIデータセットを含む3つのデータセットを用いて広範な実験を行った。
論文参考訳（メタデータ） (2023-02-01T15:37:35Z)
Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文参考訳（メタデータ） (2022-10-06T18:23:42Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
Deep Learning-based Type Identification of Volumetric MRI Sequences [5.407839873345339]
MRI配列の標準化されていない命名は、自動システムでは識別が困難である。本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
論文参考訳（メタデータ） (2021-06-06T18:34:47Z)

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。