Fugu-MT 論文翻訳(概要): Evaluating unsupervised contrastive learning framework for MRI sequences classification

論文の概要: Evaluating unsupervised contrastive learning framework for MRI sequences classification

arxiv url: http://arxiv.org/abs/2501.06938v1
Date: Sun, 12 Jan 2025 21:30:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 14:22:28.412076
Title: Evaluating unsupervised contrastive learning framework for MRI sequences classification
Title（参考訳）: MRIシークエンス分類のための教師なしコントラスト学習フレームワークの評価
Authors: Yuli Wang, Kritika Iyer, Sep Farhand, Yoshihisa Shinagawa,
Abstract要約: 教師なしコントラスト深層学習フレームワークを用いたMRIシーケンス同定システムを提案する。 ResNet-18アーキテクチャに基づく畳み込みニューラルネットワークを訓練することにより,9種類のMRIシークエンスを9クラス分類問題として分類する。本システムでは,9種類のMRIシークエンスに対して0.95以上の分類精度を達成している。
参考スコア（独自算出の注目度）: 0.29709595802045724
License:
Abstract: The automatic identification of Magnetic Resonance Imaging (MRI) sequences can streamline clinical workflows by reducing the time radiologists spend manually sorting and identifying sequences, thereby enabling faster diagnosis and treatment planning for patients. However, the lack of standardization in the parameters of MRI scans poses challenges for automated systems and complicates the generation and utilization of datasets for machine learning research. To address this issue, we propose a system for MRI sequence identification using an unsupervised contrastive deep learning framework. By training a convolutional neural network based on the ResNet-18 architecture, our system classifies nine common MRI sequence types as a 9-class classification problem. The network was trained using an in-house internal dataset and validated on several public datasets, including BraTS, ADNI, Fused Radiology-Pathology Prostate Dataset, the Breast Cancer Dataset (ACRIN), among others, encompassing diverse acquisition protocols and requiring only 2D slices for training. Our system achieves a classification accuracy of over 0.95 across the nine most common MRI sequence types.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)シークエンスの自動識別は、放射線医が手動で配列のソートと識別に費やす時間を減らし、患者の診断と治療計画の迅速化を可能にすることで、臨床ワークフローを効率化することができる。しかし、MRIスキャンのパラメータの標準化の欠如は、自動化システムに課題をもたらし、機械学習研究のためのデータセットの生成と利用を複雑にする。この問題に対処するために,教師なしコントラスト学習フレームワークを用いたMRIシークエンス同定システムを提案する。 ResNet-18アーキテクチャに基づく畳み込みニューラルネットワークを訓練することにより,9種類のMRIシークエンスを9クラス分類問題として分類する。ネットワークは社内のデータセットを使用してトレーニングされ、BraTS、ADNI、Fused Radiology-Pathology Prostate Dataset、Breast Cancer Dataset (ACRIN)など、いくつかの公開データセットで検証された。本システムでは,9種類のMRIシークエンスに対して0.95以上の分類精度を達成している。

関連論文リスト

ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文参考訳（メタデータ） (2025-01-08T05:15:43Z)
Machine-agnostic Automated Lumbar MRI Segmentation using a Cascaded Model Based on Generative Neurons [0.22198209072577352]
MRI画像から腰椎椎間板と椎間板を分離する新しい機械診断手法を提案する。 12のスキャナーと34の被験者の画像からなるユニークなデータセットを、戦略的前処理とデータ拡張技術によって強化した。本モデルとDenseNet121エンコーダの併用により, 腰椎椎間板断面積が83.66%, 感度が91.44%, Dice similarity Coefficient (DSC) が91.03%, 腰椎椎間板断面積が良好であった。
論文参考訳（メタデータ） (2024-11-23T21:34:29Z)
Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks [7.734037486455235]
胸部,腹部,骨盤のレベルで得られた3次元MRIの配列を自動分類する方法を提案する。われわれは,胸部,腹部,骨盤のMRI画像の3次元分類法を初めて開発した。
論文参考訳（メタデータ） (2024-02-12T22:34:57Z)
NEURO HAND: A weakly supervised Hierarchical Attention Network for interpretable neuroimaging abnormality Detection [0.516706940452805]
臨床病院で得られたMRIスキャンを用いて, 異常検出のための階層的注意ネットワークを提案する。提案するネットワークは,非体積データ(高分解能MRIスライススタック)に適しており,二値検査レベルのラベルからトレーニングすることができる。
論文参考訳（メタデータ） (2023-11-06T09:55:19Z)
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)
K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文参考訳（メタデータ） (2023-07-10T01:26:48Z)
Synthesis-based Imaging-Differentiation Representation Learning for Multi-Sequence 3D/4D MRI [16.725225424047256]
画像差分表現学習のためのシーケンス・ツー・シーケンス生成フレームワーク(Seq2Seq)を提案する。本研究では、1つのモデル内で任意の3D/4Dシーケンスを生成し、任意のターゲットシーケンスを生成するだけでなく、各シーケンスの重要性をランク付けする。我々は,2万名の模擬被験者のおもちゃデータセット,1,251名の脳MRIデータセット,2,101名の乳房MRIデータセットを含む3つのデータセットを用いて広範な実験を行った。
論文参考訳（メタデータ） (2023-02-01T15:37:35Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Deep Learning-based Type Identification of Volumetric MRI Sequences [5.407839873345339]
MRI配列の標準化されていない命名は、自動システムでは識別が困難である。本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
論文参考訳（メタデータ） (2021-06-06T18:34:47Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。