論文の概要: DISARM++: Beyond scanner-free harmonization

• arxiv url: http://arxiv.org/abs/2505.03715v1
• Date: Tue, 06 May 2025 17:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.501195
• Title: DISARM++: Beyond scanner-free harmonization
• Title（参考訳）: DisARM++:スキャナフリーの調和を超えて
• Authors: Luca Caldera, Lara Cavinato, Alessio Cirone, Isabella Cama, Sara Garbarino, Raffaele Lodi, Fabrizio Tagliavini, Anna Nigri, Silvia De Francesco, Andrea Cappozzo, Michele Piana, Francesca Ieva,
• Abstract要約: 異なるスキャナー間でのT1強調MR画像の調和は、ニューロイメージング研究における一貫性の確保に不可欠である。 本研究は,抽出した特徴が下流解析に本質的に信頼性を保ち続けることを保証するために,特徴の標準化を超えて,画像調和の新たなアプローチを提案する。 本手法は,(1) イメージをスキャナのない空間にマッピングすることで,すべてのスキャナに一様に見えるようにし,(2) イメージをモデルトレーニングに使用する特定のスキャナの領域に変換し,その特徴を埋め込むという2つの方法を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Harmonization of T1-weighted MR images across different scanners is crucial for ensuring consistency in neuroimaging studies. This study introduces a novel approach to direct image harmonization, moving beyond feature standardization to ensure that extracted features remain inherently reliable for downstream analysis. Our method enables image transfer in two ways: (1) mapping images to a scanner-free space for uniform appearance across all scanners, and (2) transforming images into the domain of a specific scanner used in model training, embedding its unique characteristics. Our approach presents strong generalization capability, even for unseen scanners not included in the training phase. We validated our method using MR images from diverse cohorts, including healthy controls, traveling subjects, and individuals with Alzheimer's disease (AD). The model's effectiveness is tested in multiple applications, such as brain age prediction (R2 = 0.60 \pm 0.05), biomarker extraction, AD classification (Test Accuracy = 0.86 \pm 0.03), and diagnosis prediction (AUC = 0.95). In all cases, our harmonization technique outperforms state-of-the-art methods, showing improvements in both reliability and predictive accuracy. Moreover, our approach eliminates the need for extensive preprocessing steps, such as skull-stripping, which can introduce errors by misclassifying brain and non-brain structures. This makes our method particularly suitable for applications that require full-head analysis, including research on head trauma and cranial deformities. Additionally, our harmonization model does not require retraining for new datasets, allowing smooth integration into various neuroimaging workflows. By ensuring scanner-invariant image quality, our approach provides a robust and efficient solution for improving neuroimaging studies across diverse settings. The code is available at this link.
• Abstract（参考訳）: 異なるスキャナー間でのT1強調MR画像の調和は、ニューロイメージング研究における一貫性の確保に不可欠である。 本研究は,抽出した特徴が下流解析に本質的に信頼性を保ち続けることを保証するために,特徴の標準化を超えて,画像調和の新たなアプローチを提案する。 本手法は,(1) イメージをスキャナのない空間にマッピングすることで,すべてのスキャナに一様に見えるようにし,(2) イメージをモデルトレーニングに使用する特定のスキャナの領域に変換し,その特徴を埋め込むという2つの方法を実現する。 本手法は,トレーニングフェーズに含まれない未確認スキャナに対しても,強力な一般化能力を示す。 健常者,旅行者,アルツハイマー病(AD)患者など多種多様なコホートからのMR画像を用いて,本法の有効性を検証した。 このモデルの有効性は、脳年齢予測(R2 = 0.60 \pm 0.05)、バイオマーカー抽出、AD分類(Test Accuracy = 0.86 \pm 0.03)、診断予測(AUC = 0.95)など、複数のアプリケーションでテストされている。 いずれの場合も、我々の調和技術は最先端の手法よりも優れており、信頼性と予測精度が向上している。 さらに本手法では,脳や非脳構造を誤分類することで誤りを生じさせる頭蓋切断などの広範囲な前処理ステップの必要性を排除している。 本手法は頭部外傷や頭蓋変形など全頭分析を必要とする応用に特に適している。 さらに、我々の調和モデルでは、新しいデータセットの再トレーニングを必要とせず、様々なニューロイメージングワークフローへのスムーズな統合を可能にする。 スキャナが不変でない画像の品質を確保することで、多様な環境における神経画像研究を改善するための堅牢で効率的なソリューションを提供する。 コードは、このリンクで入手できる。

関連論文リスト

• Light Weight CNN for classification of Brain Tumors from MRI Images [0.0]
  本研究では,脳腫瘍のマルチクラス分類のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案する。 グリオーマ,髄膜腫,下垂体腫瘍,腫瘍の4つの分類に分類したMRI画像を含む公開データセットを用いて検討した。 実験により, 本モデルが98.78%の分類精度を達成し, 臨床現場での診断支援の可能性を示した。
  論文  参考訳（メタデータ） (2025-04-29T21:45:11Z)
• DIMA: DIffusing Motion Artifacts for unsupervised correction in brain MRI images [4.117232425638352]
  DIMA(DIffusing Motion Artifacts)は、拡散モデルを活用する新しいフレームワークであり、脳MRIにおける教師なしモーションアーティファクトの修正を可能にする。 我々の2段階のアプローチは、まず、障害のない動画像上の拡散モデルを訓練し、運動成果物の分布を学習する。 このモデルは、クリーンな画像上で現実的なモーションアーティファクトを生成し、修正ネットワークの教師付きトレーニングに適したペア化されたデータセットを作成する。
  論文  参考訳（メタデータ） (2025-04-09T10:43:38Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis [0.22485007639406518]
  新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。 本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T15:49:47Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)

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。