論文の概要: Generalizable automated ischaemic stroke lesion segmentation with vision transformers
- arxiv url: http://arxiv.org/abs/2502.06939v1
- Date: Mon, 10 Feb 2025 19:00:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:08:32.008974
- Title: Generalizable automated ischaemic stroke lesion segmentation with vision transformers
- Title（参考訳）: 視覚変換器を用いた全身性虚血性脳梗塞の1例
- Authors: Chris Foulon, Robert Gray, James K. Ruffle, Jonathan Best, Tianbo Xu, Henry Watkins, Jane Rondina, Guilherme Pombo, Dominic Giles, Paul Wright, Marcela Ovando-Tellez, H. Rolf Jäger, Jorge Cardoso, Sebastien Ourselin, Geraint Rees, Parashkev Nachev,
- Abstract要約: 拡散強調画像(DWI)は虚血性脳梗塞において最も高い発現率を示す。
したがって、現在のU-Netベースのモデルは、不適切な評価指標によってアクセント付けられる問題として、性能が劣っている。
本稿ではこれらの課題に対処する高性能なDWI病変分割ツールを提案する。
- 参考スコア（独自算出の注目度）: 0.7400397057238803
- License:
- Abstract: Ischaemic stroke, a leading cause of death and disability, critically relies on neuroimaging for characterising the anatomical pattern of injury. Diffusion-weighted imaging (DWI) provides the highest expressivity in ischemic stroke but poses substantial challenges for automated lesion segmentation: susceptibility artefacts, morphological heterogeneity, age-related comorbidities, time-dependent signal dynamics, instrumental variability, and limited labelled data. Current U-Net-based models therefore underperform, a problem accentuated by inadequate evaluation metrics that focus on mean performance, neglecting anatomical, subpopulation, and acquisition-dependent variability. Here, we present a high-performance DWI lesion segmentation tool addressing these challenges through optimized vision transformer-based architectures, integration of 3563 annotated lesions from multi-site data, and algorithmic enhancements, achieving state-of-the-art results. We further propose a novel evaluative framework assessing model fidelity, equity (across demographics and lesion subtypes), anatomical precision, and robustness to instrumental variability, promoting clinical and research utility. This work advances stroke imaging by reconciling model expressivity with domain-specific challenges and redefining performance benchmarks to prioritize equity and generalizability, critical for personalized medicine and mechanistic research.
- Abstract（参考訳）: 死と障害の主な原因である虚血性脳卒中は、解剖学的損傷パターンを特徴づけるために神経イメージングに依存している。
拡散強調画像(DWI)は、虚血性脳卒中において最も高い発現性を提供するが、自動病変のセグメンテーションには、感受性アーティファクト、形態的不均一性、加齢に伴う相乗効果、時間依存性信号ダイナミクス、器質的変動性、限られたラベル付きデータなど、大きな課題を生じさせる。
したがって、現在のU-Netベースのモデルは、平均的なパフォーマンス、解剖学、サブポピュレーション、獲得に依存した変数を無視した不適切な評価指標によって強調される、性能が劣っている。
本稿では,視覚変換器アーキテクチャの最適化,多地点データからの3563の注釈付き病変の統合,アルゴリズムの強化などにより,これらの課題に対処する高性能なDWI病変分割ツールを提案する。
さらに, モデル忠実度, エクイティ(人口動態, 病変のサブタイプ) , 解剖学的精度, 器質的変動に対する堅牢性を評価し, 臨床的, 研究的有用性を向上する新たな評価枠組みを提案する。
この研究は、モデル表現性とドメイン固有の課題を照合し、パフォーマンスベンチマークを再定義して、パーソナライズされた医療や機械研究にとって重要な、株式と一般化可能性の優先順位付けを行う。
関連論文リスト
- Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。
本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。
微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文 参考訳（メタデータ） (2024-06-12T20:35:16Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - 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) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Assessing and Enhancing Robustness of Deep Learning Models with
Corruption Emulation in Digital Pathology [9.850335454350367]
我々は,病的ライフサイクル全体にわたるフルスタック汚職の物理的原因を分析した。
我々は3つのOmniCE崩壊ベンチマークデータセットをパッチレベルとスライドレベルの両方で構築する。
我々は,OmniCEの崩壊したデータセットをトレーニングや実験のために拡張データとして利用し,モデルの一般化能力が大幅に向上したことを確かめる。
論文 参考訳（メタデータ） (2023-10-31T12:59:36Z) - Data Augmentation-Based Unsupervised Domain Adaptation In Medical
Imaging [0.709016563801433]
脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。
その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
論文 参考訳（メタデータ） (2023-08-08T17:00:11Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Feature robustness and sex differences in medical imaging: a case study
in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。
訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文 参考訳（メタデータ） (2022-04-04T17:37:54Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z)
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。