論文の概要: Symmetry Awareness Encoded Deep Learning Framework for Brain Imaging Analysis

• arxiv url: http://arxiv.org/abs/2407.08948v1
• Date: Fri, 12 Jul 2024 03:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 01:06:33.964073
• Title: Symmetry Awareness Encoded Deep Learning Framework for Brain Imaging Analysis
• Title（参考訳）: 脳画像解析のためのDeep Learning Frameworkをコード化した対称性認識
• Authors: Yang Ma, Dongang Wang, Peilin Liu, Lynette Masters, Michael Barnett, Weidong Cai, Chenyu Wang,
• Abstract要約: 本研究は,脳疾患の検出とセグメンテーション分析を強化するために,ヒト脳の固有対称解剖学的特徴を活用する新しいアプローチを提案する。 左右半球の対称的特徴を符号化するために,新たな対称性認識クロスアテンション (SACA) モジュールが提案され,Symmetry-Aware Head (SAH) として対称的特徴を検出するプロキシタスクが提案されている。 本研究は, 事前トレーニングに対称性認識を取り入れることの有効性を提唱し, 医用画像解析のための新しいベンチマークを作成し, 正確かつ効率的な診断プロセスに向けて大きな前進を約束する。
• 参考スコア（独自算出の注目度）: 17.96729816246268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The heterogeneity of neurological conditions, ranging from structural anomalies to functional impairments, presents a significant challenge in medical imaging analysis tasks. Moreover, the limited availability of well-annotated datasets constrains the development of robust analysis models. Against this backdrop, this study introduces a novel approach leveraging the inherent anatomical symmetrical features of the human brain to enhance the subsequent detection and segmentation analysis for brain diseases. A novel Symmetry-Aware Cross-Attention (SACA) module is proposed to encode symmetrical features of left and right hemispheres, and a proxy task to detect symmetrical features as the Symmetry-Aware Head (SAH) is proposed, which guides the pretraining of the whole network on a vast 3D brain imaging dataset comprising both healthy and diseased brain images across various MRI and CT. Through meticulous experimentation on downstream tasks, including both classification and segmentation for brain diseases, our model demonstrates superior performance over state-of-the-art methodologies, particularly highlighting the significance of symmetry-aware learning. Our findings advocate for the effectiveness of incorporating symmetry awareness into pretraining and set a new benchmark for medical imaging analysis, promising significant strides toward accurate and efficient diagnostic processes. Code is available at https://github.com/bitMyron/sa-swin.
• Abstract（参考訳）: 構造異常から機能障害まで、神経学的条件の不均一性は、医用画像解析タスクにおいて重要な課題である。 さらに、注釈付きデータセットの可用性の制限により、ロバスト分析モデルの開発が制限される。 この背景から,本研究では,ヒト脳の解剖学的対称的特徴を活用する新たなアプローチを導入し,その後の脳疾患の検出とセグメンテーション分析を強化する。 左右半球の対称的特徴を符号化する新しいシンメトリー・アウェア・クロス・アテンション(SACA)モジュールが提案され、様々なMRIおよびCTで健康な脳画像と疾患の脳画像からなる広範囲な脳画像データセット上でネットワーク全体の事前学習を導くシンメトリー・アウェア・ヘッド(SAH)として対称的特徴を検出するプロキシタスクが提案されている。 脳疾患の分類とセグメンテーションの両方を含む下流タスクの綿密な実験を通じて、我々のモデルは最先端の方法論よりも優れた性能を示し、特に対称性学習の重要性を強調している。 本研究は, 事前トレーニングに対称性認識を取り入れることの有効性を提唱し, 医用画像解析のための新しいベンチマークを作成し, 正確かつ効率的な診断プロセスに向けて大きな前進を約束する。 コードはhttps://github.com/bitMyron/sa-swin.comから入手できる。

関連論文リスト

• Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
  医用イメージングに適した説明可能なAI手法を開発した。 我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。 このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
  論文  参考訳（メタデータ） (2024-09-20T15:43:26Z)
• Towards the Discovery of Down Syndrome Brain Biomarkers Using Generative Models [0.0]
  我々は変分オートエンコーダと拡散モデルに基づく最先端の脳異常検出モデルの評価を行った。 以上の結果から、ダウン症候群の脳解剖を特徴付ける一次変化を効果的に検出するモデルが存在することが示唆された。
  論文  参考訳（メタデータ） (2024-09-20T12:01:15Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。