論文の概要: Sparse Bayesian Learning for Label Efficiency in Cardiac Real-Time MRI
- arxiv url: http://arxiv.org/abs/2503.21443v1
- Date: Thu, 27 Mar 2025 12:36:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:50:49.139219
- Title: Sparse Bayesian Learning for Label Efficiency in Cardiac Real-Time MRI
- Title(参考訳): 心臓リアルタイムMRIにおけるラベル効率のスパースベイズ学習
- Authors: Felix Terhag, Philipp Knechtges, Achim Basermann, Anja Bach, Darius Gerlach, Jens Tank, Raúl Tempone,
- Abstract要約: 経時的な心室容積は、心拍数と呼吸速度に対応するスパース周波数によって支配されると仮定される。
患者のデータを調べると、正確なボリューム予測にはラベル付き画像がわずかに必要であることが示される。
- 参考スコア(独自算出の注目度): 0.80411799613087
- License:
- Abstract: Cardiac real-time magnetic resonance imaging (MRI) is an emerging technology that images the heart at up to 50 frames per second, offering insight into the respiratory effects on the heartbeat. However, this method significantly increases the number of images that must be segmented to derive critical health indicators. Although neural networks perform well on inner slices, predictions on outer slices are often unreliable. This work proposes sparse Bayesian learning (SBL) to predict the ventricular volume on outer slices with minimal manual labeling to address this challenge. The ventricular volume over time is assumed to be dominated by sparse frequencies corresponding to the heart and respiratory rates. Moreover, SBL identifies these sparse frequencies on well-segmented inner slices by optimizing hyperparameters via type -II likelihood, automatically pruning irrelevant components. The identified sparse frequencies guide the selection of outer slice images for labeling, minimizing posterior variance. This work provides performance guarantees for the greedy algorithm. Testing on patient data demonstrates that only a few labeled images are necessary for accurate volume prediction. The labeling procedure effectively avoids selecting inefficient images. Furthermore, the Bayesian approach provides uncertainty estimates, highlighting unreliable predictions (e.g., when choosing suboptimal labels).
- Abstract(参考訳): 心臓リアルタイムMRI(Heartiac real-time magnetic resonance imaging)は、心臓を毎秒50フレームまで撮像し、心臓の鼓動に対する呼吸効果の洞察を提供する新興技術である。
しかし、この手法は、重要な健康指標を導き出すために分割しなければならない画像の数を大幅に増加させる。
ニューラルネットワークは内部スライスでよく機能するが、外側スライスでの予測は信頼できないことが多い。
本研究は、この課題に対処するために、最小の手動ラベリングで外切片の心室容積を予測するためのスパースベイズ学習(SBL)を提案する。
経時的な心室容積は、心拍数と呼吸速度に対応するスパース周波数によって支配されると仮定される。
さらに、SBLは、高パラメーターをタイプIIで最適化し、無関係なコンポーネントを自動的に刈り取ることにより、よく区切られた内部スライス上のこれらのスパース周波数を同定する。
同定されたスパース周波数は、ラベリングのための外側スライス画像の選択を誘導し、後部分散を最小化する。
この作業は、greedyアルゴリズムのパフォーマンス保証を提供する。
患者のデータを調べると、正確なボリューム予測にはラベル付き画像がわずかに必要であることが示される。
ラベル付け処理は、効率の悪い画像の選択を効果的に回避する。
さらにベイズ的手法は不確実な推定を提供し、信頼できない予測(例えば、準最適ラベルを選択するとき)を強調する。
関連論文リスト
- M(otion)-mode Based Prediction of Ejection Fraction using
Echocardiograms [13.112371567924802]
心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。
心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。
実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
論文 参考訳(メタデータ) (2023-09-07T15:00:58Z) - Improving Adversarial Robustness of Masked Autoencoders via Test-time
Frequency-domain Prompting [133.55037976429088]
BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。
意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。
我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
論文 参考訳(メタデータ) (2023-08-20T16:27:17Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳(メタデータ) (2023-05-15T18:19:29Z) - 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) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Contrastive Learning for View Classification of Echocardiograms [5.60187022176608]
不均衡な心エコーデータセットに対するビュー分類モデルを訓練し、最小ラベル付きデータが利用できるビュー/クラスの性能向上を示す。
また,本モデルと比較すると,F1スコアを最大26%向上させながら,十分にラベル付けされたトレーニング観察を行うことができた。
論文 参考訳(メタデータ) (2021-08-06T13:48:06Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳(メタデータ) (2020-10-19T13:56:22Z) - 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)
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。