論文の概要: Robust-ComBat: Mitigating Outlier Effects in Diffusion MRI Data Harmonization
- arxiv url: http://arxiv.org/abs/2603.17968v1
- Date: Wed, 18 Mar 2026 17:35:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.858185
- Title: Robust-ComBat: Mitigating Outlier Effects in Diffusion MRI Data Harmonization
- Title（参考訳）: Robust-ComBat:拡散MRIデータ調和における外乱効果の緩和
- Authors: Yoan David, Pierre-Marc Jodoin, Alzheimer's Disease Neuroimaging Initiative, The TRACK-TBI Investigators,
- Abstract要約: ComBatとその変種のような調和法は拡散MRI(dMRI)サイト固有のバイアスを軽減するために広く用いられている。
ComBatと標準基準群との調和性を示すとともに,病的症例を含むと有意な歪みが生じることを示す。
コントロールと実際のマルチサイトコホートの両方の実験は、神経疾患の80%の被験者からなるものであり、ロバスト・コムバットが従来の統計基準を一貫して上回っていることを実証している。
- 参考スコア（独自算出の注目度）: 3.0098885383612104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Harmonization methods such as ComBat and its variants are widely used to mitigate diffusion MRI (dMRI) site-specific biases. However, ComBat assumes that subject distributions exhibit a Gaussian profile. In practice, patients with neurological disorders often present diffusion metrics that deviate markedly from those of healthy controls, introducing pathological outliers that distort site-effect estimation. This problem is particularly challenging in clinical practice as most patients undergoing brain imaging have an underlying and yet undiagnosed condition, making it difficult to exclude them from harmonization cohorts, as their scans were precisely prescribed to establish a diagnosis. In this paper, we show that harmonizing data to a normative reference population with ComBat while including pathological cases induces significant distortions. Across 7 neurological conditions, we evaluated 10 outlier rejection methods with 4 ComBat variants over a wide range of scenarios, revealing that many filtering strategies fail in the presence of pathology. In contrast, a simple MLP provides robust outlier compensation enabling reliable harmonization while preserving disease-related signal. Experiments on both control and real multi-site cohorts, comprising up to 80% of subjects with neurological disorders, demonstrate that Robust-ComBat consistently outperforms conventional statistical baselines with lower harmonization error across all ComBat variants.
- Abstract（参考訳）: ComBatとその変種のような調和法は拡散MRI(dMRI)サイト固有のバイアスを軽減するために広く用いられている。
しかし、ComBatは、対象分布がガウスプロファイルを示すと仮定する。
実際には、神経疾患の患者は、しばしば、正常なコントロールとは明らかに異なる拡散指標を示し、部位効果の見積もりを歪ませる病的アウトリーを導入している。
脳画像検査を行うほとんどの患者は、基礎的かつ診断されていない状態であり、診断の確立のためにスキャンが正確に定められたため、ハーモニゼーションコホートから除外することが困難であるため、この問題は臨床実践において特に困難である。
本稿では,ComBatと標準基準群との調和性を示すとともに,病的症例を含むと有意な歪みを生じさせることを示す。
神経学的7つの条件において,ComBatの4つの変種を含む10個の異常な拒絶法を幅広いシナリオで評価し,多くのフィルタリング手法が病的存在下で失敗することを明らかにした。
対照的に、単純なMLPは、疾患関連信号を保持しながら信頼性の高い調和を可能にする堅牢なアウトリーチ補償を提供する。
コントロールと実際のマルチサイトコホートの両方の実験は、神経疾患の80%の被験者からなるが、Robost-ComBatは、すべてのComBat変種において、より低い調和誤差で従来の統計ベースラインを一貫して上回っていることを実証している。
関連論文リスト
- Evaluation of radiomic feature harmonization techniques for benign and malignant pulmonary nodules [0.0]
肺結節(PNs)の放射線学的特徴は肺癌の診断に有効であるが, 医学的画像取得の多様性は臨床応用の障害となる。
放射線学的特徴の獲得依存性を補正する際の良性PNと悪性PNの相違について検討した。
論文 参考訳（メタデータ） (2024-12-21T20:16:37Z) - Distributed Harmonization: Federated Clustered Batch Effect Adjustment and Generalization [28.24136512924053]
医療分野では、複数のサイトや機関からデータを収集することが一般的な戦略である。
様々な場所からのデータは、現地の環境や施設に偏りやすい。
一般的な戦略は、重要な生物学的情報を保持しながら、サイトのバイアスを調和させることである。
論文 参考訳（メタデータ） (2024-05-23T22:07:54Z) - Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
教師なし異常検出は、より広い範囲の異常を識別する可能性がある。
既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。
Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
論文 参考訳（メタデータ） (2023-12-04T14:02:56Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳（メタデータ） (2022-06-09T13:06:51Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。