論文の概要: Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction
- arxiv url: http://arxiv.org/abs/2503.10156v2
- Date: Mon, 17 Mar 2025 10:05:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:36:19.879787
- Title: Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction
- Title（参考訳）: 多心性胎児脳MRIの超解像再構成における自動品質制御
- Authors: Thomas Sanchez, Vladyslav Zalevskyi, Angeline Mihailov, Gerard Martí-Juan, Elisenda Eixarch, Andras Jakab, Vincent Dunet, Mériam Koob, Guillaume Auzias, Meritxell Bach Cuadra,
- Abstract要約: 胎児脳MRIの超解像再構成(SRR)ボリュームの自動品質管理に着目する。
本稿では,100以上の画像品質指標を抽出し,画像品質スコアを予測する機械学習手法FetMRQC$_SR$を提案する。
- 参考スコア（独自算出の注目度）: 1.2759914733521263
- License:
- Abstract: Quality control (QC) has long been considered essential to guarantee the reliability of neuroimaging studies. It is particularly important for fetal brain MRI, where acquisitions and image processing techniques are less standardized than in adult imaging. In this work, we focus on automated quality control of super-resolution reconstruction (SRR) volumes of fetal brain MRI, an important processing step where multiple stacks of thick 2D slices are registered together and combined to build a single, isotropic and artifact-free T2 weighted volume. We propose FetMRQC$_{SR}$, a machine-learning method that extracts more than 100 image quality metrics to predict image quality scores using a random forest model. This approach is well suited to a problem that is high dimensional, with highly heterogeneous data and small datasets. We validate FetMRQC$_{SR}$ in an out-of-domain (OOD) setting and report high performance (ROC AUC = 0.89), even when faced with data from an unknown site or SRR method. We also investigate failure cases and show that they occur in $45\%$ of the images due to ambiguous configurations for which the rating from the expert is arguable. These results are encouraging and illustrate how a non deep learning-based method like FetMRQC$_{SR}$ is well suited to this multifaceted problem. Our tool, along with all the code used to generate, train and evaluate the model will be released upon acceptance of the paper.
- Abstract（参考訳）: 品質管理(QC)は、長い間、神経画像研究の信頼性を保証するために欠かせないと考えられてきた。
特に胎児脳MRIでは、成人画像よりも取得技術や画像処理技術が標準化されていない。
本研究は、胎児脳MRIの超分解能再構成(SRR)ボリュームの自動品質管理に焦点を当て、厚みのある2次元スライスを複数スタックに登録し、組み合わせて一つの等方的で人工的でないT2重み付けボリュームを構築する重要な処理ステップである。
ランダム森林モデルを用いて,100以上の画像品質指標を抽出し,画像品質スコアを予測する機械学習手法FetMRQC$_{SR}$を提案する。
このアプローチは、高次元で、非常に異質なデータと小さなデータセットを持つ問題によく適している。
FetMRQC$_{SR}$をオフ・オブ・ドメイン(OOD)設定で検証し,未知のサイトやSRRメソッドのデータに直面する場合でも高い性能(ROC AUC = 0.89)を報告する。
また、障害事例を調査し、専門家からのレーティングが議論可能なあいまいな構成のため、画像の45 %$で発生することを示す。
これらの結果は、FetMRQC$_{SR}$のような非ディープラーニングベースの手法が、この多面的問題にどのように適しているかを奨励し、示している。
私たちのツールは、生成、トレーニング、評価に使用するすべてのコードとともに、論文の受理時にリリースされます。
関連論文リスト
- 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) - FetMRQC: a robust quality control system for multi-centric fetal brain MRI [33.08151493899017]
本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。
FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。
我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2023-11-08T15:59:41Z) - 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) - FetMRQC: Automated Quality Control for fetal brain MRI [1.6231541773673115]
胎児脳MRIに適した画像品質自動評価のための機械学習フレームワークFetMRQCを提案する。
FetMRQCは、解釈可能でデータ効率が良く、領域外を一般化できることを示す。
また、胎児脳画像の品質評価の容易化と最適化を目的とした、手動品質評価ツールもリリースした。
論文 参考訳（メタデータ） (2023-04-12T14:20:21Z) - Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
論文 参考訳（メタデータ） (2022-11-28T04:09:21Z) - 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) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - MRQy: An Open-Source Tool for Quality Control of MR Imaging Data [1.5172095934925576]
このツールは、(a)画像解像度、視野、画像コントラスト、または(b)ノイズ、運動、不均一性、リング、エイリアスなどの画像アーティファクトにおけるサイトまたはスキャナー固有のバリエーションの存在を定量化することを目的としている。
MRQyは、MRIコホートにサイトベースや機器ベースの違いを問うためのオープンソースの品質管理ツールである。
論文 参考訳（メタデータ） (2020-04-10T01:30:51Z)
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。