論文の概要: MosaicMRI: A Diverse Dataset and Benchmark for Raw Musculoskeletal MRI
- arxiv url: http://arxiv.org/abs/2604.11762v1
- Date: Mon, 13 Apr 2026 17:36:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.724329
- Title: MosaicMRI: A Diverse Dataset and Benchmark for Raw Musculoskeletal MRI
- Title（参考訳）: MosaicMRI : 筋骨格MRIの逆データセットとベンチマーク
- Authors: Paula Arguello, Berk Tinaz, Mohammad Shahab Sepehri, Maryam Soltanolkotabi, Mahdi Soltanolkotabi,
- Abstract要約: そこで本研究では,MSK MR を用いた機械学習手法のトレーニングと評価を行うための,完全サンプリング生筋骨格MR 計測装置であるMosaicMRIを紹介した。
モデルキャパシティとデータセットサイズの両方に関して,スケーリングの挙動について検討する。
興味深いことに、結合解剖学で訓練されたモデルは、低サンプル状態において解剖学固有のモデルよりも著しく優れている。
- 参考スコア（独自算出の注目度）: 20.01253907654978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning underpins a wide range of applications in MRI, including reconstruction, artifact removal, and segmentation. However, progress has been driven largely by public datasets focused on brain and knee imaging, shaping how models are trained and evaluated. As a result, careful studies of the reliability of these models across diverse anatomical settings remain limited. In this work, we introduce MosaicMRI, a large and diverse collection of fully sampled raw musculoskeletal (MSK) MR measurements designed for training and evaluating machine-learning-based methods. MosaicMRI is the largest open-source raw MSK MRI dataset to date, comprising 2,671 volumes and 80,156 slices. The dataset offers substantial diversity in volume orientation (e.g., axial, sagittal), imaging contrasts (e.g., PD, T1, T2), anatomies (e.g., spine, knee, hip, ankle, and others), and numbers of acquisition coils. Using VarNet as a baseline for accelerated reconstruction task, we perform a comprehensive set of experiments to study scaling behavior with respect to both model capacity and dataset size. Interestingly, models trained on the combined anatomies significantly outperform anatomy-specific models in low-sample regimes, highlighting the benefits of anatomical diversity and the presence of exploitable cross-anatomical correlations. We further evaluate robustness and cross-anatomy generalization by training models on one anatomy (e.g., spine) and testing them on another (e.g., knee). Notably, we identify groups of body parts (e.g., foot and elbow) that generalize well with each other, and highlight that performance under domain shifts depends on both training set size, anatomy, and protocol-specific factors.
- Abstract（参考訳）: ディープラーニングは、再構成、アーティファクト除去、セグメンテーションなど、MRIの幅広い応用を支えている。
しかし、進歩は、主に脳と膝の画像に焦点を当てた公開データセットによって推進され、モデルがどのようにトレーニングされ、評価されるかを形作る。
その結果、様々な解剖学的環境におけるモデルの信頼性について、注意深い研究が続けられている。
そこで本研究では,機械学習に基づく手法のトレーニングと評価を目的とした,完全標本化生筋骨格MRI(MSK)の多種多様なコレクションであるMosaicMRIについて紹介する。
MosaicMRIは,2,671巻と80,156スライスからなる,これまでで最大のオープンソース生MSK MRIデータセットである。
このデータセットは、体積方向(eg, 軸, 矢状)、画像コントラスト(eg, PD, T1, T2)、解剖(eg, 脊椎, 膝, ヒップ, 足首など)、取得コイルの数など、かなりの多様性を提供している。
モデルキャパシティとデータセットサイズの両方に関して,VarNetをモデル再構成タスクのベースラインとして使用して,スケーリングの挙動を総合的に研究する。
興味深いことに、結合解剖学で訓練されたモデルは、低サンプル状態における解剖学的特化モデルよりも著しく優れており、解剖学的多様性の利点と、悪用可能な解剖学的相関の存在を強調している。
さらに、ある解剖学(eg, spine)のモデルのトレーニングと、別の解剖学(eg, knee)の試験により、ロバスト性および解剖学間の一般化を評価する。
特に, 身体部位群(例えば, 足, 肘)は互いによく一般化しており, ドメインシフトによるパフォーマンスは, トレーニングセットのサイズ, 解剖学, プロトコル固有の要因の両方に依存する。
関連論文リスト
- Large-scale modality-invariant foundation models for brain MRI analysis: Application to lesion segmentation [0.4915052615294639]
大規模ファンデーションモデル事前トレーニングは、神経イメージングタスクにおける数ショットのパフォーマンスを改善する解剖学の事前学習を可能にする。
ほとんどのSSLフレームワークは自然画像に適合しており、マルチモーダルMRI情報をキャプチャするための適応はいまだに未調査である。
本研究は, モダリティ不変な表現学習装置を提案し, 脳卒中とてんかん病変のセグメンテーションにおけるその有効性を評価する。
論文 参考訳（メタデータ） (2025-11-14T13:56:07Z) - Clinical Utility of Foundation Segmentation Models in Musculoskeletal MRI: Biomarker Fidelity and Predictive Outcomes [0.0]
筋骨格 (MSK) MRI データセットを用いて, 広く用いられている3つのセグメンテーションモデル (SAM, SAM2, MedSAM) を評価した。
本フレームワークは,ゼロショットと微調整の両方のパフォーマンスを評価し,セグメンテーション精度,画像プロトコル間の一般化性,抽出された量的バイオマーカーの信頼性に着目した。
論文 参考訳（メタデータ） (2025-01-23T04:41:20Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳（メタデータ） (2024-01-23T18:59:25Z) - MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image
Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。
本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。
画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文 参考訳（メタデータ） (2023-09-16T02:41:53Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Seeking Common Ground While Reserving Differences: Multiple Anatomy
Collaborative Framework for Undersampled MRI Reconstruction [49.16058553281751]
本稿では,解剖学的および解剖学的特化学習者による新しいMRI再構成フレームワークを提案する。
脳、膝、心臓のMRIデータセットの実験は、これらの学習者のうち3人が複数の解剖学的共同学習を通して再建性能を向上させることができることを示した。
論文 参考訳（メタデータ） (2022-06-15T08:19:07Z) - Universal Undersampled MRI Reconstruction [12.731566667990315]
下検体MRI再構成のための汎用深部ニューラルネットワークの学習フレームワークを提案する。
具体的には、統計シフトを補償し、新しいデータセットに容易に一般化できる解剖学的特異なインスタンス正規化を提案する。
実験の結果, 提案するユニバーサルモデルは, 高画質で脳と膝の画像を再構成できることがわかった。
論文 参考訳（メタデータ） (2021-03-09T04:25:22Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Large-scale biometry with interpretable neural network regression on UK
Biobank body MRI [1.3439502310822151]
イギリスのバイオバンクがMRIで3万2000人以上の被験者を画像化
研究の可能性にもかかわらず、この膨大な量のデータは、確立された評価方法への挑戦を示す。
この研究では、ネック・トゥ・クニー・ボディMRIから様々な生物学的指標を自動的に推測するために、画像に基づく回帰のためにニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2020-02-17T09:47:58Z)
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。