論文の概要: Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning

• arxiv url: http://arxiv.org/abs/2605.24609v1
• Date: Sat, 23 May 2026 14:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.272157
• Title: Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning
• Title（参考訳）: 深層学習を用いたMRI異常画像の非教師的検出と局所化
• Authors: Mustafa Kadhim, Viktor Rogowski, Emilia Persson, Camila Gonzalez, André Haraldsson, Sofie Ceberg, Mikael Nilsson, Malin Kügele, Sven Bäck, Christian Jamtheim Gustafsson,
• Abstract要約: 骨盤MRIと脳MRIの完全自動化・教師なし異常検出フレームワークの開発と評価を行った。 負の対数類似度に基づくトークン・サブプライムスコアと知覚的画像差を組み合わせて異常な証拠を推定した。 熱マップ解析の結果,検出された異常点と接地位置との間には強い空間的一致が認められた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is increasingly integrated into radiotherapy workflows, yet such pipelines remain vulnerable to out-of-distribution image data that may introduce unexpected behavior in clinical tasks. Deep learning-based anomaly detection for pelvic magnetic resonance imaging (MRI) remains largely unexplored, and transparent evaluation of its feasibility for full automation is limited. We developed and evaluated a fully automated, unsupervised anomaly-detection framework for pelvic and brain MRI. A two-stage framework was trained on reference images from public datasets: LUND-PROBE for pelvic MRI, and IXI, fastMRI, and fastMRI+ for brain MRI. In the first stage, MRI slices were compressed into discrete tokens; in the second, the distribution of normal tokens was modeled. Anomaly evidence was estimated by combining perceptual image differences with token-surprisal scores based on negative log-likelihood. Automated detection was evaluated on pelvic MRI with synthetic global and real clinical anomalies, and on brain MRI with clinically annotated fastMRI+ abnormalities. Sensitivity, specificity, area under the receiver operating characteristic curve (AUC), and false-positive behavior in held-out normal cases were assessed. The framework achieved robust detection across hidden evaluation cohorts, with AUCs of 0.97 (95% CI, 0.95-0.98) and 0.81 (95% CI, 0.74-0.87) for pelvic and brain MRI, respectively. Heatmap analysis showed strong spatial agreement between detected anomalies and ground-truth locations, supporting localization accuracy and interpretability. These results support the potential of unsupervised anomaly detection as an automated MRI quality-control layer for radiotherapy workflows, with transparent visualization of image regions likely to compromise downstream AI-based tasks.
• Abstract（参考訳）: 人工知能は、放射線治療のワークフローにますます統合されているが、そのようなパイプラインは、臨床タスクにおいて予期せぬ振る舞いをもたらす可能性のある、配布外画像データに弱いままである。 骨盤核磁気共鳴画像(MRI)の深層学習に基づく異常検出はいまだに未発見であり、完全自動化の可能性の透明な評価は限られている。 骨盤MRIと脳MRIの完全自動化・教師なし異常検出フレームワークの開発と評価を行った。 LUND-PROBE for pelvic MRI, IXI, fastMRI, fastMRI+ for brain MRI。 第1段階ではMRIスライスを離散トークンに圧縮し,第2段階では正規トークンの分布をモデル化した。 負の対数類似度に基づくトークン・サブプライムスコアと知覚的画像差を組み合わせて異常証拠を推定した。 骨盤MRI, 人工的大域的, 実際の臨床異常, および, 臨床的に注釈を付したfastMRI+異常の脳MRIで自動検出を行った。 健常症例では, 感度, 特異性, 受信機動作特性曲線(AUC)以下の面積, 偽陽性行動が評価された。 このフレームワークは、隠れた評価コホート全体で堅牢な検出を実現し、AUCは、骨盤MRIと脳MRIでそれぞれ0.97(95% CI, 0.95-0.98)と0.81(95% CI, 0.74-0.87)であった。 熱マップ解析の結果,検出された異常点と接地位置との間には強い空間的一致がみられた。 これらの結果は、下流のAIベースのタスクを妥協する可能性のある画像領域を透過的に可視化する、放射線治療ワークフローのためのMRI品質制御の自動化レイヤとして、教師なしの異常検出の可能性を支持する。

関連論文リスト

• Generative Modeling of Complex-Valued Brain MRI Data [5.046906491246382]
  本研究の目的は、複雑なMRIスキャンの大きさと位相情報を共同でモデル化できる生成フレームワークを構築することである。 提案する生成フレームワークは, 複素数値MRIスキャンをコンパクトな潜在表現に圧縮する条件付き変分オートエンコーダを組み合わせる。
  論文  参考訳（メタデータ） (2026-04-16T09:24:26Z)
• AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
  本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
  論文  参考訳（メタデータ） (2025-12-19T19:53:56Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Semi-Supervised Anomaly Detection in Brain MRI Using a Domain-Agnostic Deep Reinforcement Learning Approach [2.3633885460047765]
  我々は,大規模データやオーバーフィット,クラス不均衡といった課題に対処するために,深層強化学習(DRL)を用いたドメインに依存しない半教師付き異常検出フレームワークを開発した。 この研究では、2005年から2021年の間に収集された公開の脳MRIデータセットを使用した。
  論文  参考訳（メタデータ） (2025-08-02T01:39:13Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
  拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。 臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。 我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:56:10Z)
• Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques [0.0]
  多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。 本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
  論文  参考訳（メタデータ） (2024-01-24T08:49:50Z)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。