論文の概要: An artificially intelligent magnetic resonance spectroscopy quantification method: Comparison between QNet and LCModel on the cloud computing platform CloudBrain-MRS

• arxiv url: http://arxiv.org/abs/2503.04469v1
• Date: Thu, 06 Mar 2025 14:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:40.847286
• Title: An artificially intelligent magnetic resonance spectroscopy quantification method: Comparison between QNet and LCModel on the cloud computing platform CloudBrain-MRS
• Title（参考訳）: 人工的インテリジェント磁気共鳴分光法による量子化法:クラウドコンピューティングプラットフォームCloudBrain-MRS上のQNetとLCModelの比較
• Authors: Meijin Lin, Lin Guo, Dicheng Chen, Jianshu Chen, Zhangren Tu, Xu Huang, Jianhua Wang, Ji Qi, Yuan Long, Zhiguo Huang, Di Guo, Xiaobo Qu, Haiwei Han,
• Abstract要約: 本研究は,ヒト脳磁気共鳴分光法(MRS)の代謝物定量化を,深層学習法QNetと従来のLCModelとで統計的に比較することを目的とした。
• 参考スコア（独自算出の注目度）: 28.594743289365766
• License:
• Abstract: Objctives: This work aimed to statistically compare the metabolite quantification of human brain magnetic resonance spectroscopy (MRS) between the deep learning method QNet and the classical method LCModel through an easy-to-use intelligent cloud computing platform CloudBrain-MRS. Materials and Methods: In this retrospective study, two 3 T MRI scanners Philips Ingenia and Achieva collected 61 and 46 in vivo 1H magnetic resonance (MR) spectra of healthy participants, respectively, from the brain region of pregenual anterior cingulate cortex from September to October 2021. The analyses of Bland-Altman, Pearson correlation and reasonability were performed to assess the degree of agreement, linear correlation and reasonability between the two quantification methods. Results: Fifteen healthy volunteers (12 females and 3 males, age range: 21-35 years, mean age/standard deviation = 27.4/3.9 years) were recruited. The analyses of Bland-Altman, Pearson correlation and reasonability showed high to good consistency and very strong to moderate correlation between the two methods for quantification of total N-acetylaspartate (tNAA), total choline (tCho), and inositol (Ins) (relative half interval of limits of agreement = 3.04%, 9.3%, and 18.5%, respectively; Pearson correlation coefficient r = 0.775, 0.927, and 0.469, respectively). In addition, quantification results of QNet are more likely to be closer to the previous reported average values than those of LCModel. Conclusion: There were high or good degrees of consistency between the quantification results of QNet and LCModel for tNAA, tCho, and Ins, and QNet generally has more reasonable quantification than LCModel.
• Abstract（参考訳）: 目的:本研究は,人間の脳磁気共鳴分光法(MRS)のメタボライト定量化を,深層学習法QNetと従来のLCModelとを,使い易いインテリジェントクラウドコンピューティングプラットフォームであるCloudBrain-MRSを用いて統計的に比較することを目的とした。 材料と方法:本研究では,2021年9月から10月にかけて,前帯状皮質の脳領域から,健常者に対して,Philips IngeniaとAchievaの2つの3つのMRIスキャナーが,それぞれ61と46の生体内1H磁気共鳴(MR)スペクトルを収集した。 Bland-Altman法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,Pearson法,およびPearson法について検討した。 結果:健常者15名(女性12名,男性3名,年齢範囲21～35歳,標準偏差27.4/3.9歳)を募集した。 Bland-Altman, Pearson correlation, reasonability の解析結果から, 総N-アセチルアスパラギン酸 (tNAA), 総コリン (tCho), およびイノシトール (Ins) の定量化法では, それぞれ3.04%, 9.3%, 18.5%, ピアソン相関係数 r = 0.775, 0.927, 0.469, の2つの手法で, 良好な相関性を示した。 さらに,QNetの定量化結果はLCModelの数値よりも,従来報告した平均値に近い傾向にある。 結論: tNAA, tCho, Ins に対する QNet と LCModel の定量化結果との間には高あるいは良質な整合性があり,QNet は LCModel よりも妥当な定量化を行うのが一般的である。

関連論文リスト

• Evaluation of radiomic feature harmonization techniques for benign and malignant pulmonary nodules [0.0]
  肺結節(PNs)の放射線学的特徴は肺癌の診断に有効であるが, 医学的画像取得の多様性は臨床応用の障害となる。 放射線学的特徴の獲得依存性を補正する際の良性PNと悪性PNの相違について検討した。
  論文  参考訳（メタデータ） (2024-12-21T20:16:37Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• CEST-KAN: Kolmogorov-Arnold Networks for CEST MRI Data Analysis [6.435914008254925]
  本研究では,CEST MRIデータ解析(CEST-KAN)におけるKAN(Kolmogorov-Arnold Network)の有用性について検討した。 マルチ層パーセプトロン(MLP)とKANモデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-06-23T06:23:12Z)
• Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
  本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。 このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。 その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
  論文  参考訳（メタデータ） (2024-06-23T01:32:53Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。