論文の概要: Interpretable Motion Artificat Detection in structural Brain MRI

• arxiv url: http://arxiv.org/abs/2603.05726v1
• Date: Thu, 05 Mar 2026 22:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.674413
• Title: Interpretable Motion Artificat Detection in structural Brain MRI
• Title（参考訳）: 構造脳MRIにおける解釈可能な運動アーチファクト検出
• Authors: Naveetha Nithianandam, Prabhjot Kaur, Anil Kumar Sao,
• Abstract要約: 本稿では,T1強調脳MRIにおける運動関連アーティファクトを検出するための軽量かつ解釈可能なフレームワークを提案する。 提案手法は並列決定戦略により相補スライスレベル(2D)とボリュームレベル(3D)DHoGMの機能を統合する。 MR-ART と ABIDE のデータセットを用いて,見知らぬ場所と見えない場所の両方で評価した。
• 参考スコア（独自算出の注目度）: 2.55957188107151
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Automated quality assessment of structural brain MRI is an important prerequisite for reliable neuroimaging analysis, but yet remains challenging due to motion artifacts and poor generalization across acquisition sites. Existing approaches based on image quality metrics (IQMs) or deep learning either requires extensive preprocessing, which incurs high computational cost, or poor generalization to unseen data. In this work, we propose a lightweight and interpretable framework for detecting motion related artifacts in T1 weighted brain MRI by extending the Discriminative Histogram of Gradient Magnitude (DHoGM) to a three dimensional space. The proposed method integrates complementary slice-level (2D) and volume-level (3D) DHoGM features through a parallel decision strategy, capturing both localized and global motion-induced degradation. Volumetric analysis is performed using overlapping 3D cuboids to achieve comprehensive spatial coverage while maintaining computational efficiency. A simple threshold-based classifier and a low parameter multilayer perceptron are used, which results in a model with only 209 trainable parameters. Our method was evaluated on the MR-ART and ABIDE datasets under both seen-site and unseen-site conditions. Experimental results demonstrate strong performance, achieving up to 94.34\% accuracy the in domain evaluation and 89\% accuracy on unseen sites, while almost completely avoiding false acceptance of poor-quality scans. Ablation studies confirms the complementary benefits of combining 2D and 3D features. Overall, the proposed approach offers an effective, efficient, and robust solution for automated MRI quality check, with strong potential for integration into large scale clinical and research workflows.
• Abstract（参考訳）: 構造脳MRIの精度自動評価は、信頼できる神経画像解析のための重要な前提条件であるが、運動アーティファクトや、取得部位全体の一般化が不十分なため、依然として困難である。 既存の画像品質メトリクス(IQMs)やディープラーニングに基づくアプローチでは、高い計算コストを発生させる広範囲な事前処理が必要か、見当たらないデータへの一般化が不十分である。 本研究では,T1重み付き脳MRIにおける運動関連アーティファクトを検出するための軽量かつ解釈可能なフレームワークを提案し,DHoGMの識別ヒストグラムを三次元空間に拡張した。 提案手法は, 並列決定戦略により相補的スライスレベル(2D)とボリュームレベル(3D)DHoGMの機能を統合し, 局所的および大域的運動誘発劣化を捉える。 重なり合う3次元立方体を用いて体積解析を行い、計算効率を保ちながら包括的空間被覆を実現する。 単純なしきい値ベースの分類器と低パラメータの多層パーセプトロンが使用され、結果としてトレーニング可能なパラメータが209しか持たないモデルとなる。 MR-ART と ABIDE のデータセットを用いて,見知らぬ場所と見えない場所の両方で評価した。 実験結果は、ドメイン評価における94.34\%の精度と、見えないサイトにおける89\%の精度を達成し、品質の悪いスキャンの誤認をほぼ完全に回避する、という強い性能を示している。 アブレーション研究は、2D特徴と3D特徴を組み合わせることの相補的な利点を裏付けている。 全体として、提案したアプローチは、MRI品質チェックを自動化するための効率的で効率的で堅牢なソリューションを提供する。

関連論文リスト

• Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing [0.0]
  本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。 提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。
  論文  参考訳（メタデータ） (2025-10-21T22:11:19Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
  ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
  論文  参考訳（メタデータ） (2025-08-13T09:31:06Z)
• Multimodal Fusion at Three Tiers: Physics-Driven Data Generation and Vision-Language Guidance for Brain Tumor Segmentation [8.695435245976482]
  本稿では,脳腫瘍の正確なセグメンテーションを実現する3層融合アーキテクチャを提案する。 この方法は、画素、特徴、意味レベルで情報を段階的に処理する。 我々は,脳腫瘍(BraTS)2020,2021,2023データセットの検証を行った。
  論文  参考訳（メタデータ） (2025-07-14T06:32:59Z)
• ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
  アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。 本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。 現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-24T14:56:55Z)
• Missing Data Estimation for MR Spectroscopic Imaging via Mask-Free Deep Learning Methods [0.0]
  MRSIメタボリックマップに欠落したデータを推定するための,最初のディープラーニングベースのマスフリーフレームワークを提案する。 我々のモデルは、リトレーニングやマスク入力を必要とせず、実世界のデータセットによく当てはまる。
  論文  参考訳（メタデータ） (2025-05-11T01:56:26Z)
• Learning Brain Tumor Representation in 3D High-Resolution MR Images via Interpretable State Space Models [42.55786269051626]
  本稿では,高解像度データを効率的に処理するために,ViTライクなモデルを拡張した新しい状態空間モデル (SSM) ベースのマスク付きオートエンコーダを提案する。 本稿では,入力ボリューム内の特定の領域に対応する潜時特徴の直接可視化を可能にする潜時空間マッピング手法を提案する。 本結果は,SSMに基づく自己教師型学習が,効率と解釈可能性を組み合わせた放射能解析を変換する可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-12T04:36:50Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Generalized super-resolution 4D Flow MRI $\unicode{x2013}$ using ensemble learning to extend across the cardiovascular system [28.516235368817586]
  本研究の目的は,異種トレーニングセットと専用アンサンブル学習を組み合わせたSR 4D Flow MRIの一般化可能性を検討することである。 その結果,バッギングと積み重ねはドメイン間のSR性能を向上し,低分解能入力データから高分解能速度を正確に予測できることが示唆された。 以上の結果から,本研究はSR 4D Flow MRIの汎用的アプローチとして,様々な臨床領域にまたがるアンサンブル学習の有用性を示すものである。
  論文  参考訳（メタデータ） (2023-11-20T14:55:40Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)

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。