論文の概要: Exploring the Feasibility of AI-Assisted Spine MRI Protocol Optimization Using DICOM Image Metadata
- arxiv url: http://arxiv.org/abs/2502.02351v1
- Date: Tue, 04 Feb 2025 14:35:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:35.085015
- Title: Exploring the Feasibility of AI-Assisted Spine MRI Protocol Optimization Using DICOM Image Metadata
- Title（参考訳）: DICOM画像メタデータを用いたAI支援Spine MRIプロトコル最適化の可能性を探る
- Authors: Alice Vian, Diego Andre Eifer, Mauricio Anes, Guilherme Ribeiro Garcia, Mariana Recamonde-Mendoza,
- Abstract要約: 本研究は,臨床実習における動的データを用いたMRIプロトコルの最適化におけるAIの適用性を検証することを目的とする。
5つのAIモデルは、MRI理論に基づく画像品質に影響を与える取得パラメータのトレンドを特定するために訓練された。
モデルは、292以上のインスタンスを含むデータセットに対して、F1のパフォーマンスを77%から93%に向上させた。
- 参考スコア（独自算出の注目度）: 0.471858286267785
- License:
- Abstract: Artificial intelligence (AI) is increasingly being utilized to optimize magnetic resonance imaging (MRI) protocols. Given that image details are critical for diagnostic accuracy, optimizing MRI acquisition protocols is essential for enhancing image quality. While medical physicists are responsible for this optimization, the variability in equipment usage and the wide range of MRI protocols in clinical settings pose significant challenges. This study aims to validate the application of AI in optimizing MRI protocols using dynamic data from clinical practice, specifically DICOM metadata. To achieve this, four MRI spine exam databases were created, with the target attribute being the binary classification of image quality (good or bad). Five AI models were trained to identify trends in acquisition parameters that influence image quality, grounded in MRI theory. These trends were analyzed using SHAP graphs. The models achieved F1 performance ranging from 77% to 93% for datasets containing 292 or more instances, with the observed trends aligning with MRI theory. The models effectively reflected the practical realities of clinical MRI settings, offering a valuable tool for medical physicists in quality control tasks. In conclusion, AI has demonstrated its potential to optimize MRI protocols, supporting medical physicists in improving image quality and enhancing the efficiency of quality control in clinical practice.
- Abstract（参考訳）: 人工知能(AI)は磁気共鳴イメージング(MRI)プロトコルの最適化にますます利用されている。
画像の詳細が診断精度に欠かせないことを考えると、画像品質向上にはMRI取得プロトコルの最適化が不可欠である。
医療物理学者はこの最適化に責任を負っているが、機器使用の多様性と臨床環境での幅広いMRIプロトコルは重要な課題である。
本研究の目的は、臨床、特にDICOMメタデータの動的データを用いて、MRIプロトコルの最適化におけるAIの適用性を検証することである。
これを実現するために、4つのMRIスピーン検査データベースが作成され、ターゲット属性は画像品質(良いか悪いか)のバイナリ分類である。
5つのAIモデルは、MRI理論に基づく画像品質に影響を与える取得パラメータのトレンドを特定するために訓練された。
これらの傾向をSHAPグラフを用いて解析した。
モデルは、292以上のインスタンスを含むデータセットに対して、77%から93%のパフォーマンスを達成し、観測された傾向はMRI理論と一致した。
これらのモデルは、臨床MRI設定の現実性を効果的に反映し、品質管理タスクにおける医療物理学者にとって貴重なツールを提供する。
結論として、AIはMRIプロトコルを最適化し、画像の品質を改善し、臨床実践における品質管理の効率を高めるために医療物理学者を支援する可能性を実証した。
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) - Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。
まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。
3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
論文 参考訳（メタデータ） (2024-06-18T09:53:07Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - Adaptive PromptNet For Auxiliary Glioma Diagnosis without
Contrast-Enhanced MRI [11.231836756951655]
マルチコントラストMRI(Multi-Contrast MRI)をベースとした自動補助グリオーマ診断はクリニックにおいて重要な役割を担っている。
コントラスト強調MRI(コントラスト強調T1強調画像)は、既存の研究の多くで利用された。
しかし、コントラスト強調画像の取得は、患者の生理的制約のため、実現不可能な場合もある。
医院で造影MRIデータを収集するのには、時間と費用がかかる。
論文 参考訳（メタデータ） (2022-11-15T08:02:54Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image
Labels for Quantitative Clinical Evaluation [5.37260403457093]
定量的膝関節MRI(qMRI)画像の収集であるMulti-Task Evaluationデータセットを用いて,Stanford Knee MRIを提案する。
このデータセットは、匿名患者MRIスキャンの25,000スライス(155例)の生データ測定から成り立っている。
我々は、画像再構成や高密度画像ラベルとともに、MRI再構成、セグメンテーション、検出技術から抽出されたqMRIバイオマーカー推定の品質を測定するために、qMRIパラメータマップを使用するためのフレームワークを提供する。
論文 参考訳（メタデータ） (2022-03-14T02:40:40Z) - Deep Learning based Multi-modal Computing with Feature Disentanglement
for MRI Image Synthesis [8.363448006582065]
本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。
提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。
テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
論文 参考訳（メタデータ） (2021-05-06T17:22:22Z)
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。