論文の概要: BRIQA: Balanced Reweighting in Image Quality Assessment of Pediatric Brain MRI

• arxiv url: http://arxiv.org/abs/2510.26661v1
• Date: Thu, 30 Oct 2025 16:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.904757
• Title: BRIQA: Balanced Reweighting in Image Quality Assessment of Pediatric Brain MRI
• Title（参考訳）: BRIQA:小児脳MRI画像の画質評価におけるバランスの取れた再重み付け
• Authors: Alya Almsouti, Ainur Khamitova, Darya Taratynova, Mohammad Yaqub,
• Abstract要約: BRIQA(Balanced Reweighting in Image Quality Assessment)を提案する。 BRIQAは勾配に基づく損失再重み付けを用いてクラスごとのコントリビューションを動的に調整し、未表現クラスへの一貫した露出を保証する回転スキームを採用している。 BRIQAは平均マクロF1スコアを0.659から0.706に改善し、ノイズ(0.430)、ジッパー(0.098)、ポジショニング(0.097)、コントラスト(0.217)、モーション(0.022)、バンディング(0.012)のアーティファクト重大分類で顕著な利得を得た。
• 参考スコア（独自算出の注目度）: 2.30091479294656
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Assessing the severity of artifacts in pediatric brain Magnetic Resonance Imaging (MRI) is critical for diagnostic accuracy, especially in low-field systems where the signal-to-noise ratio is reduced. Manual quality assessment is time-consuming and subjective, motivating the need for robust automated solutions. In this work, we propose BRIQA (Balanced Reweighting in Image Quality Assessment), which addresses class imbalance in artifact severity levels. BRIQA uses gradient-based loss reweighting to dynamically adjust per-class contributions and employs a rotating batching scheme to ensure consistent exposure to underrepresented classes. Through experiments, no single architecture performs best across all artifact types, emphasizing the importance of architectural diversity. The rotating batching configuration improves performance across metrics by promoting balanced learning when combined with cross-entropy loss. BRIQA improves average macro F1 score from 0.659 to 0.706, with notable gains in Noise (0.430), Zipper (0.098), Positioning (0.097), Contrast (0.217), Motion (0.022), and Banding (0.012) artifact severity classification. The code is available at https://github.com/BioMedIA-MBZUAI/BRIQA.
• Abstract（参考訳）: 小児脳磁気共鳴画像(MRI)におけるアーティファクトの重症度を評価することは、特に信号-雑音比が減少する低磁場系において、診断精度に重要である。 手動品質評価は時間がかかり、主観的であり、堅牢な自動化ソリューションの必要性を動機付けます。 本研究では, BRIQA (Balanced Reweighting in Image Quality Assessment) を提案する。 BRIQAは勾配に基づく損失再重み付けを用いてクラスごとのコントリビューションを動的に調整する。 実験を通じて、アーキテクチャの多様性の重要性を強調しながら、すべてのアーティファクトタイプで最高のパフォーマンスを発揮するアーキテクチャは存在しない。 回転バッチ構成は、クロスエントロピー損失と組み合わせることで、バランスの取れた学習を促進することで、メトリクス間のパフォーマンスを向上させる。 BRIQAは平均マクロF1スコアを0.659から0.706に改善し、ノイズ(0.430)、ジッパー(0.098)、ポジショニング(0.097)、コントラスト(0.217)、モーション(0.022)、バンディング(0.012)のアーティファクト重大分類で顕著な利得を得た。 コードはhttps://github.com/BioMedIA-MBzuAI/BRIQAで公開されている。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• A Deep-Learning-Based Label-free No-Reference Image Quality Assessment Metric: Application in Sodium MRI Denoising [0.0]
  ナトリウムMRIのような新しいMRI技術は、本質的に低信号のため、画像の質が低いのが一般的である。 ディープラーニングモデルは、特有のトレーニングセットに特化しているという点において、ユニークな特徴を持っている。 そこで本研究では,新しいDLベースの NR-IQA メトリックである Model Metric (MSM) を提案する。
  論文  参考訳（メタデータ） (2024-08-29T12:16:55Z)
• 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)
• Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI [5.186000805926489]
  本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。 トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。 トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-10-14T11:31:40Z)
• 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)
• 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)
• Image Quality Assessment for Magnetic Resonance Imaging [4.05136808278614]
  画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。 我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。 7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
  論文  参考訳（メタデータ） (2022-03-15T11:52:29Z)
• 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)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)

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。