論文の概要: A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning

• arxiv url: http://arxiv.org/abs/2506.14432v1
• Date: Tue, 17 Jun 2025 11:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.448404
• Title: A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning
• Title（参考訳）: 自己教師型学習のための大規模ヘテロジニアス3次元磁気共鳴脳画像データセット
• Authors: Asbjørn Munk, Stefano Cerri, Jakob Ambsdorf, Julia Machnio, Sebastian Nørgaard Llambias, Vardan Nersesjan, Christian Hedeager Krag, Peirong Liu, Pablo Rocamora García, Mostafa Mehdipour Ghazi, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen,
• Abstract要約: FOMO60Kは、13,900件のセッションと11,187件の被験者から得られた60,529個の脳磁気共鳴イメージング(MRI)の大規模な、異種データセットである。 新規ユーザへの入力障壁を低減しつつ、元の画像特性を保存するために、最小の事前処理を適用した。
• 参考スコア（独自算出の注目度）: 4.49464615818827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present FOMO60K, a large-scale, heterogeneous dataset of 60,529 brain Magnetic Resonance Imaging (MRI) scans from 13,900 sessions and 11,187 subjects, aggregated from 16 publicly available sources. The dataset includes both clinical- and research-grade images, multiple MRI sequences, and a wide range of anatomical and pathological variability, including scans with large brain anomalies. Minimal preprocessing was applied to preserve the original image characteristics while reducing barriers to entry for new users. Accompanying code for self-supervised pretraining and finetuning is provided. FOMO60K is intended to support the development and benchmarking of self-supervised learning methods in medical imaging at scale.
• Abstract（参考訳）: 13,900セッションと11,187人の被験者から得られた60,529個の脳磁気共鳴画像(MRI)の大規模・異種データセットであるFOMO60Kを16の公開資料から集計した。 このデータセットには、臨床と研究の両方のグレードの画像、複数のMRIシーケンス、そして大きな脳異常を伴うスキャンを含む幅広い解剖学的および病理学的変動が含まれている。 新規ユーザへの入力障壁を低減しつつ、元の画像特性を保存するために、最小の事前処理を適用した。 自己指導型事前訓練及び微調整用コードを提供する。 FOMO60Kは、医療画像における自己教師あり学習手法の開発とベンチマークを支援することを目的としている。

関連論文リスト

• MRI-CORE: A Foundation Model for Magnetic Resonance Imaging [10.722046937558627]
  我々は、MRI-COREを紹介した。MRI-COREは、メインの18箇所で110,000以上のMRIボリュームから600万スライス以上を使用して、事前訓練された視覚基盤モデルである。 MRIにおける5つの多様なオブジェクトセグメンテーションタスクの実験により、MRI-COREはラベル付きデータ可用性に制限のある現実的なシナリオにおけるセグメンテーション性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2025-06-13T19:26:56Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
  コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。 我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。 本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
  論文  参考訳（メタデータ） (2022-01-04T18:27:04Z)
• Interpretability Aware Model Training to Improve Robustness against Out-of-Distribution Magnetic Resonance Images in Alzheimer's Disease Classification [8.050897403457995]
  異なるMRIハードウェアから派生した分布外サンプルに対するロバスト性を改善するために,解釈可能性を考慮した対向訓練システムを提案する。 本報告では, 分布外のサンプルに対して有望な性能を示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2021-11-15T04:42:47Z)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)

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。