論文の概要: Harmonization in Magnetic Resonance Imaging: A Survey of Acquisition, Image-level, and Feature-level Methods
- arxiv url: http://arxiv.org/abs/2507.16962v1
- Date: Tue, 22 Jul 2025 19:06:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-24 22:33:14.746748
- Title: Harmonization in Magnetic Resonance Imaging: A Survey of Acquisition, Image-level, and Feature-level Methods
- Title（参考訳）: 磁気共鳴画像の高調波化: 取得, 画像レベル, 特徴レベルの調査
- Authors: Qinqin Yang, Firoozeh Shomal-Zadeh, Ali Gholipour,
- Abstract要約: バッチ・エフェクト」または「サイト・エフェクト」は、真の生物学的信号の曖昧さ、統計力の低下、学習ベースモデルに障害がある。
画像調和は、意味のある生物学的情報を保持しながら、そのようなサイト関連バイアスを排除または緩和することを目的としている。
本総説では, 医用画像調和分野における重要な概念, 方法論の進歩, 公開データセット, 現状の課題, 今後の方向性について概説する。
- 参考スコア（独自算出の注目度）: 3.515395856924995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern medical imaging technologies have greatly advanced neuroscience research and clinical diagnostics. However, imaging data collected across different scanners, acquisition protocols, or imaging sites often exhibit substantial heterogeneity, known as "batch effects" or "site effects". These non-biological sources of variability can obscure true biological signals, reduce reproducibility and statistical power, and severely impair the generalizability of learning-based models across datasets. Image harmonization aims to eliminate or mitigate such site-related biases while preserving meaningful biological information, thereby improving data comparability and consistency. This review provides a comprehensive overview of key concepts, methodological advances, publicly available datasets, current challenges, and future directions in the field of medical image harmonization, with a focus on magnetic resonance imaging (MRI). We systematically cover the full imaging pipeline, and categorize harmonization approaches into prospective acquisition and reconstruction strategies, retrospective image-level and feature-level methods, and traveling-subject-based techniques. Rather than providing an exhaustive survey, we focus on representative methods, with particular emphasis on deep learning-based approaches. Finally, we summarize the major challenges that remain and outline promising avenues for future research.
- Abstract（参考訳）: 現代の医療画像技術は、神経科学研究と臨床診断を大いに進歩させてきた。
しかし、異なるスキャナー、取得プロトコル、または画像の現場で収集された画像データは、しばしば「バッチ効果」または「サイト効果」と呼ばれる相当な異種性を示す。
これらの生物学的変異源は、真の生物学的シグナルを曖昧にし、再現性と統計的パワーを低減し、データセット間の学習ベースモデルの一般化を著しく損なう可能性がある。
画像調和は、意味のある生物学的情報を保持しながら、そのようなサイト関連バイアスを排除または緩和することを目的としており、データの可視性と一貫性を向上させる。
本総説では, 医用画像調和の分野における重要な概念, 方法論の進歩, 公開データセット, 現状の課題, 今後の方向性を概観し, 磁気共鳴画像(MRI)を中心に概説する。
本研究は,全画像パイプラインを体系的に網羅し,将来的な獲得・再構築戦略,振り返り画像レベルおよび特徴レベル手法,旅行対象ベース手法の調和化アプローチを分類する。
徹底的な調査を提供するのではなく、特にディープラーニングベースのアプローチに重点を置く代表的手法に重点を置いている。
最後に、残る主要な課題を概説し、今後の研究に期待できる道のりを概説する。
関連論文リスト
- A Survey of fMRI to Image Reconstruction [21.906165069577895]
機能的磁気共鳴イメージング(fMRI)に基づく画像再構成は、人間の知覚を復号する上で重要な役割を担っている。
ディープラーニングの最近の進歩は進歩を促しているが、データ不足、オブジェクト間のばらつき、セマンティック一貫性の低下といった課題が続いている。
本稿では,fMRI2画像(fMRI2画像)の概念を紹介し,この分野における最初の体系的レビューを紹介する。
論文 参考訳（メタデータ） (2025-02-24T05:53:04Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳（メタデータ） (2023-09-19T16:08:33Z) - Harmonization Across Imaging Locations(HAIL): One-Shot Learning for
Brain MRI [4.8296943294326145]
ニューラルスタイルの転送を調和に利用するワンショット学習法を提案する。
試験時には、臨床現場からの1つの画像を用いて、共同現場の強度スケールと一致する画像を生成する。
画像強度を新しい臨床部位に調整しながら, 患者の解剖学を保存するための方法の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2023-08-21T21:13:30Z) - Counterfactual Image Synthesis for Discovery of Personalized Predictive
Image Markers [0.293168019422713]
そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。
本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
論文 参考訳（メタデータ） (2022-08-03T18:58:45Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳（メタデータ） (2020-10-11T22:01:37Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。