論文の概要: Automated detection of motion artifacts in brain MR images using deep
learning and explainable artificial intelligence
- arxiv url: http://arxiv.org/abs/2402.08749v1
- Date: Tue, 13 Feb 2024 19:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 17:54:16.146303
- Title: Automated detection of motion artifacts in brain MR images using deep
learning and explainable artificial intelligence
- Title（参考訳）: ディープラーニングと説明可能な人工知能を用いた脳MR画像の動画像の自動検出
- Authors: Marina Manso Jimeno, Keerthi Sravan Ravi, Maggie Fung, John Thomas
Vaughan, Jr., Sairam Geethanath
- Abstract要約: 本研究は,T1強調脳画像における剛性運動を検出する深層学習モデルを示す。
このモデルは6つのモーションシミュレーションされた振り返りデータセットで85%と80%の平均精度とリコール基準を達成した。
このモデルはArtifactIDツールの一部であり、ギブスリング、ラップアラウンド、モーションアーティファクトのインライン自動検出を目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality assessment, including inspecting the images for artifacts, is a
critical step during MRI data acquisition to ensure data quality and downstream
analysis or interpretation success. This study demonstrates a deep learning
model to detect rigid motion in T1-weighted brain images. We leveraged a 2D CNN
for three-class classification and tested it on publicly available
retrospective and prospective datasets. Grad-CAM heatmaps enabled the
identification of failure modes and provided an interpretation of the model's
results. The model achieved average precision and recall metrics of 85% and 80%
on six motion-simulated retrospective datasets. Additionally, the model's
classifications on the prospective dataset showed a strong inverse correlation
(-0.84) compared to average edge strength, an image quality metric indicative
of motion. This model is part of the ArtifactID tool, aimed at inline automatic
detection of Gibbs ringing, wrap-around, and motion artifacts. This tool
automates part of the time-consuming QA process and augments expertise on-site,
particularly relevant in low-resource settings where local MR knowledge is
scarce.
- Abstract（参考訳）: アーティファクトの画像の検査を含む品質評価は、データ品質と下流の分析や解釈の成功を保証するために、MRIデータ取得において重要なステップである。
本研究は,T1強調脳画像における剛性運動を検出する深層学習モデルを示す。
2D CNNを3つのクラスに分類し、公開のレトロスペクティブと予測データセットでテストしました。
Grad-CAMヒートマップは障害モードの識別を可能にし、モデルの結果の解釈を提供した。
このモデルは6つのモーションシミュレーションされた振り返りデータセットで85%と80%の平均精度とリコール基準を達成した。
さらに, 予測データセットにおけるモデルの分類では, 画像品質指標である平均エッジ強度と比較して, 強い逆相関(-0.84)を示した。
このモデルはArtifactIDツールの一部であり、ギブスリング、ラップアラウンド、モーションアーティファクトのインライン自動検出を目的としている。
このツールは、時間を要するQAプロセスの一部を自動化し、現場での専門知識を強化します。
関連論文リスト
- Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。
本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
論文 参考訳（メタデータ） (2024-08-02T20:15:15Z) - Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。
さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
論文 参考訳（メタデータ） (2024-06-21T10:33:09Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳（メタデータ） (2024-02-22T09:39:46Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Realistic Restorer: artifact-free flow restorer(AF2R) for MRI motion
artifact removal [3.8103327351507255]
運動アーティファクトは画像品質を著しく劣化させ、検査効率を低下させ、正確な診断を困難にする。
それまでの手法は、アーティファクト修正のための暗黙のモデルに頼っていたため、アーティファクト形成機構をモデル化する際のバイアスが生じた。
画像領域のアーティファクトと解剖学的内容の関係を再構築するために、アーティファクト生成機構を組み込んだ。
論文 参考訳（メタデータ） (2023-06-19T04:02:01Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。
本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。
本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T15:22:01Z) - Knowledge Distillation for Oriented Object Detection on Aerial Images [1.827510863075184]
本稿では,KD-RNetの知識蒸留による空中画像の回転物体検出のためのモデル圧縮手法を提案する。
大規模空中物体検出データセット(DOTA)による実験結果から,提案したKD-RNetモデルにより,パラメータ数を削減した平均値精度(mAP)が向上し,同時にKD-RNetは,基底アノテーションと高い重なり合う高品質検出を提供することで,性能を向上することを示した。
論文 参考訳（メタデータ） (2022-06-20T14:24:16Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Comparison of Convolutional neural network training parameters for
detecting Alzheimers disease and effect on visualization [0.0]
畳み込みニューラルネットワーク(CNN)は、画像データのパターンを検出する強力なツールとなっている。
これまでMRIデータのCNNモデルから得られた精度にもかかわらず、この精度を駆動する特徴や画像領域に関する情報を提供する論文はほとんどなかった。
論文 参考訳（メタデータ） (2020-08-18T15:21:50Z)
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。