論文の概要: Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis

• arxiv url: http://arxiv.org/abs/2408.04805v1
• Date: Fri, 9 Aug 2024 01:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 16:58:32.973841
• Title: Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis
• Title（参考訳）: データ適応型不確実性誘導時空間解析を用いた多心性心筋灌流MRIデータセットの深層学習に基づく分節化のためのロバスト性の改善
• Authors: Dilek M. Yalcinkaya, Khalid Youssef, Bobak Heydari, Janet Wei, Noel Bairey Merz, Robert Judd, Rohan Dharmakumar, Orlando P. Simonetti, Jonathan W. Weinsaft, Subha V. Raman, Behzad Sharif,
• Abstract要約: 灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。 トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。 提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.24285581051793656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background. Fully automatic analysis of myocardial perfusion MRI datasets enables rapid and objective reporting of stress/rest studies in patients with suspected ischemic heart disease. Developing deep learning techniques that can analyze multi-center datasets despite limited training data and variations in software and hardware is an ongoing challenge. Methods. Datasets from 3 medical centers acquired at 3T (n = 150 subjects) were included: an internal dataset (inD; n = 95) and two external datasets (exDs; n = 55) used for evaluating the robustness of the trained deep neural network (DNN) models against differences in pulse sequence (exD-1) and scanner vendor (exD-2). A subset of inD (n = 85) was used for training/validation of a pool of DNNs for segmentation, all using the same spatiotemporal U-Net architecture and hyperparameters but with different parameter initializations. We employed a space-time sliding-patch analysis approach that automatically yields a pixel-wise "uncertainty map" as a byproduct of the segmentation process. In our approach, a given test case is segmented by all members of the DNN pool and the resulting uncertainty maps are leveraged to automatically select the "best" one among the pool of solutions. Results. The proposed DAUGS analysis approach performed similarly to the established approach on the internal dataset (p = n.s.) whereas it significantly outperformed on the external datasets (p < 0.005 for exD-1 and exD-2). Moreover, the number of image series with "failed" segmentation was significantly lower for the proposed vs. the established approach (4.3% vs. 17.1%, p < 0.0005). Conclusions. The proposed DAUGS analysis approach has the potential to improve the robustness of deep learning methods for segmentation of multi-center stress perfusion datasets with variations in the choice of pulse sequence, site location or scanner vendor.
• Abstract（参考訳）: 背景。 心筋灌流MRIデータセットの完全自動解析により、虚血性心疾患を疑う患者のストレス・レスト研究の迅速かつ客観的な報告が可能になる。 トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術の開発は、現在進行中の課題である。 メソッド。 内部データセット(inD; n = 95)と2つの外部データセット(exD; n = 55)は、パルスシーケンス(exD-1)とスキャナベンダー(exD-2)の違いに対して、トレーニングされたディープニューラルネットワーク(DNN)モデルの堅牢性を評価するために使用される。 InD(n = 85)のサブセットは、セグメント化のためのDNNのプールのトレーニング/検証に使用され、すべて同じ時空間U-Netアーキテクチャとハイパーパラメータを使用していたが、パラメータの初期化が異なる。 我々は,分割過程の副産物として,画素単位の「不確実性マップ」を自動生成する時空間スライディング・パッチ解析手法を採用した。 提案手法では,DNNプールの全てのメンバーが与えられたテストケースを分割し,その結果の不確実性マップを利用して,解のプール内の「ベスト」を自動選択する。 結果。 提案したDAUGS分析手法は、内部データセット(p = n.s.)の確立した手法と似ているが、外部データセット(exD-1とexD-2ではp < 0.005)では著しく優れていた。 さらに, 提案手法と確立した手法(4.3%対17.1%, p < 0.0005)では, 画像系列の「フェール」セグメンテーションが有意に減少した。 結論。 DAUGS分析手法は, パルスシーケンス, サイト位置, スキャナベンダの選択に違いがある多中心応力灌流データセットのセグメンテーションにおいて, ディープラーニング手法の堅牢性を向上する可能性がある。

関連論文リスト

• 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)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI [14.101371684361675]
  我々はZ-SSMNet(Z-SSMNet)を提案する。 Z-SSMNetは、多次元(2D/2.5D/3D)畳み込みを適応的に統合し、高密度スライス情報と異方性bpMRIのスパースス間情報を学習する。 大規模未ラベルデータを用いてネットワークを事前学習するための自己教師付き学習(SSL)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-12T10:08:46Z)
• Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images [0.7388859384645263]
  個々の骨の局所化と分節化は多くの計画およびナビゲーションアプリケーションにおいて重要な前処理ステップである。 上半身CTにおいて125個の異なる骨を分割できるエンドツーエンド学習アルゴリズムを提案する。 また、アンサンブルベースの不確実性対策も提供し、スキャンを単一にしてトレーニングデータセットを拡大します。
  論文  参考訳（メタデータ） (2022-08-19T08:39:23Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。