論文の概要: FedSynthCT-Brain: A Federated Learning Framework for Multi-Institutional Brain MRI-to-CT Synthesis
- arxiv url: http://arxiv.org/abs/2412.06690v1
- Date: Mon, 09 Dec 2024 17:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:53:12.537118
- Title: FedSynthCT-Brain: A Federated Learning Framework for Multi-Institutional Brain MRI-to-CT Synthesis
- Title(参考訳): FedSynthCT-Brain:多施設脳MRI-to-CT合成のためのフェデレートラーニングフレームワーク
- Authors: Ciro Benito Raggio, Mathias Krohmer Zabaleta, Nils Skupien, Oliver Blanck, Francesco Cicone, Giuseppe Lucio Cascini, Paolo Zaffino, Lucia Migliorelli, Maria Francesca Spadea,
- Abstract要約: Fed SynthCT-Brainは、脳画像におけるMRI-to-sCTのためのFederated Learning(FL)パラダイムに基づいたフレームワークである。
U-Netモデルを用いて、ヨーロッパとアメリカの4つのセンターでフェデレーションを再現した。
このアプローチは、フェデレーションに属するセンターのデータを使用して実装され、フェデレーションの外側のセンターから見えないデータセットでテストされた。
- 参考スコア(独自算出の注目度): 1.7239326521335454
- License:
- Abstract: The generation of Synthetic Computed Tomography (sCT) images has become a pivotal methodology in modern clinical practice, particularly in the context of Radiotherapy (RT) treatment planning. The use of sCT enables the calculation of doses, pushing towards Magnetic Resonance Imaging (MRI) guided radiotherapy treatments. Moreover, with the introduction of MRI-Positron Emission Tomography (PET) hybrid scanners, the derivation of sCT from MRI can improve the attenuation correction of PET images. Deep learning methods for MRI-to-sCT have shown promising results, but their reliance on single-centre training dataset limits generalisation capabilities to diverse clinical settings. Moreover, creating centralised multicentre datasets may pose privacy concerns. To solve the issues, this study introduces FedSynthCT-Brain, a framework based on the Federated Learning (FL) paradigm for MRI-to-sCT in brain imaging. We reproduced a federation across four European and American centres using a U-Net-based model. The approach was implemented using data from centres belonging the federation and it was tested on an unseen dataset from a centre outside the federation. In the case of the unseen centre, the federated model achieved a median Mean Absolute Error (MAE) of 102.0 HU across 23 patients, with an interquartile range of 96.7-110.5 HU. The median (interquartile range) for the Structural Similarity Index (SSIM) and the Peak Signal to Noise Ratio (PNSR) were 0.89 (0.86-0.89) and 26.58 (25.52-27.42), respectively. The analysis of the results showed acceptable performances of the federated approach, thus highlighting the potential of FL to enhance MRI-to-sCT to improve generalisability and advancing safe and equitable clinical applications while fostering collaboration and preserving data privacy.
- Abstract(参考訳): シンセティックCT(Synthetic Computed Tomography)画像の生成は、特に放射線療法(RT)治療計画において、現代の臨床実践において重要な方法論となっている。
sCTを使用することで線量計算が可能となり、MRI(MRI)誘導放射線治療へと進む。
さらに,MRI-Positron Emission Tomography (PET)ハイブリッドスキャナの導入により,MRIからのsCTの導出によりPET画像の減衰補正が向上する。
MRI-to-sCTのディープラーニング手法は有望な結果を示しているが、単一中心トレーニングデータセットへの依存は、一般化能力を様々な臨床設定に制限している。
さらに、集中型マルチ中心データセットの作成は、プライバシの懸念を引き起こす可能性がある。
この問題を解決するために、脳画像におけるMRI-to-sCTのためのFedSynthCT-Brain(FedSynthCT-Brain)というフレームワークを紹介した。
U-Netモデルを用いて、ヨーロッパとアメリカの4つのセンターでフェデレーションを再現した。
このアプローチは、フェデレーションに属するセンターのデータを使用して実装され、フェデレーションの外側のセンターから見えないデータセットでテストされた。
統合モデルでは,23例中102.0HUの平均絶対誤差(MAE)は96.7-110.5HUであった。
構造類似度指数 (SSIM) とピーク信号対雑音比 (PNSR) の中央値は0.89 (0.86-0.89) と26.58 (25.52-27.42) であった。
その結果, FLがMRI-to-sCTを増強し, 汎用性を向上し, 安全かつ公平な臨床応用を推進し, データのプライバシーを保護できる可能性が示唆された。
関連論文リスト
- Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。
sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
論文 参考訳(メタデータ) (2025-01-22T13:54:07Z) - DDEvENet: Evidence-based Ensemble Learning for Uncertainty-aware Brain Parcellation Using Diffusion MRI [5.757390718589337]
EVENetは、拡散MRIを用いた解剖学的脳解析のためのエビデンスベースのエンサンブルニューラルネットワークである。
健常層および臨床集団の異なるデータセットの正確なパーセレーションと不確実性の推定値を得た。
この不確実性評価により,EVENet法は病変症例の異常脳領域の検出に有効であることが示された。
論文 参考訳(メタデータ) (2024-09-11T05:26:23Z) - Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。
The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。
総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
論文 参考訳(メタデータ) (2024-06-25T09:56:30Z) - Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only
Adaptive Radiation Therapy on MR-Linac [0.0]
MR-LINAC治療のMRIおよびCTスキャンスライスを用いてサイクロGANモデルを訓練し,sCTボリュームを作成した。
ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。
論文 参考訳(メタデータ) (2023-12-03T04:38:17Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳(メタデータ) (2021-10-07T14:03:00Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - 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。