Fugu-MT 論文翻訳(概要): Automated quality assessment using appearance-based simulations and hippocampus segmentation on low-field paediatric brain MR images

論文の概要: Automated quality assessment using appearance-based simulations and hippocampus segmentation on low-field paediatric brain MR images

arxiv url: http://arxiv.org/abs/2410.06161v1
Date: Tue, 8 Oct 2024 16:07:30 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 10:50:51.603203
Title: Automated quality assessment using appearance-based simulations and hippocampus segmentation on low-field paediatric brain MR images
Title（参考訳）: 低磁場小児脳MRI画像における外見に基づくシミュレーションと海馬セグメンテーションを用いた自動品質評価
Authors: Vaanathi Sundaresan, Nicola K Dinsdale,
Abstract要約: 1) 自動品質保証と2) 海馬のセグメンテーションの2つの課題について検討し, 複数のアプローチを比較した。自動品質保証タスクでは、DenseNetと外観ベースの変換を組み合わせることで、82.3%の重み付け精度で最高のパフォーマンスを実現した。以上の結果から, 画像は大規模病理と大規模解剖学的発達の理解を提供することができるが, より粒度の細かい解析には依然として障壁が残っていることが示唆された。
参考スコア（独自算出の注目度）: 0.06269281581001895
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding the structural growth of paediatric brains is a key step in the identification of various neuro-developmental disorders. However, our knowledge is limited by many factors, including the lack of automated image analysis tools, especially in Low and Middle Income Countries from the lack of high field MR images available. Low-field systems are being increasingly explored in these countries, and, therefore, there is a need to develop automated image analysis tools for these images. In this work, as a preliminary step, we consider two tasks: 1) automated quality assurance and 2) hippocampal segmentation, where we compare multiple approaches. For the automated quality assurance task a DenseNet combined with appearance-based transformations for synthesising artefacts produced the best performance, with a weighted accuracy of 82.3%. For the segmentation task, registration of an average atlas performed the best, with a final Dice score of 0.61. Our results show that although the images can provide understanding of large scale pathologies and gross scale anatomical development, there still remain barriers for their use for more granular analyses.
Abstract（参考訳）: 小児脳の構造的成長を理解することは、様々な神経発達障害の同定における重要なステップである。しかし、我々の知識は、特に低所得国や中所得国における自動画像解析ツールの欠如や、高磁場MR画像の欠如など、多くの要因によって制限されている。ローフィールドシステムはこれらの国で研究が進んでいるため、画像の自動解析ツールを開発する必要がある。この作業では、予備的なステップとして、2つのタスクを検討します。 1【品質保証の自動化】 2) 海馬のセグメンテーションでは, 複数のアプローチを比較した。自動品質保証タスクでは、DenseNetと外見に基づく人工物合成の変換を組み合わせることで、82.3%の重み付き精度で最高のパフォーマンスを実現した。セグメンテーションタスクでは、平均アトラスの登録が最高であり、最終Diceスコアは0.61である。以上の結果から, 画像は大規模病理と大規模解剖学的発達の理解を提供することができるが, より粒度の細かい解析には依然として障壁が残っていることが示唆された。

関連論文リスト

BlurryScope: a cost-effective and compact scanning microscope for automated HER2 scoring using deep learning on blurry image data [0.0]
ブルリスコープ(BlurryScope)は、組織部位の自動検査・解析のための費用効率が高くコンパクトなソリューションである。 BlurryScopeは、特殊なハードウェアとニューラルネットワークベースのモデルを統合して、モーションレッドな組織像を処理する。
論文参考訳（メタデータ） (2024-10-23T04:46:36Z)
Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [14.39502951611029]
構造類似度指数の損失をl1損失と組み合わせた核融合品質損失関数を提案する。また,正常領域と異常領域の平均強度比(AIR)を高めるデータ前処理戦略を導入し,異常の識別を改善した。提案したIQAアプローチは,BraTS21(T2,FLAIR)およびMSULBデータセット上のDice係数(DICE)とAUPRC(Area Under the Precision-Recall Curve)において,大幅な改善(>10%)を達成している。
論文参考訳（メタデータ） (2024-08-15T15:55:07Z)
Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文参考訳（メタデータ） (2024-07-24T06:42:46Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文参考訳（メタデータ） (2023-08-24T12:26:38Z)
Multiclass Semantic Segmentation to Identify Anatomical Sub-Regions of Brain and Measure Neuronal Health in Parkinson's Disease [2.288652563296735]
現在、脳の解剖下領域を分析して2次元の組織像を分析する機械学習モデルは利用できない。本研究では,Nissl/HaematoxylinおよびTyrosine hydroxylase酵素(TH,ドーパミン作動性ニューロンの生存率の指標)で染色した約1000個のアノテート2次元脳画像を用いて,ベストフィットモデルを訓練した。このモデルは、すべての画像において2つのサブリージョンコンパクト(SNCD)とレチキュラタ(SNr)を効果的に検出できる。
論文参考訳（メタデータ） (2023-01-07T19:35:28Z)
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)
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)
OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting [47.38796928990688]
OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
論文参考訳（メタデータ） (2021-08-17T20:01:33Z)
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)
Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks [1.897172519574925]
本論文は,MobileNetV2をベースとした新たな畳み込みフレームワークを提案する。深層学習モデルの訓練と試験のために,889例の足部潰瘍画像1,109枚からなる注記傷画像データセットを構築した。
論文参考訳（メタデータ） (2020-10-12T17:02:48Z)

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。