論文の概要: Contrast-Informed Augmentation and Domain-Adversarial Training for Adult-to-Neonatal MR Reconstruction Generalization

• arxiv url: http://arxiv.org/abs/2606.13562v1
• Date: Thu, 11 Jun 2026 16:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.925859
• Title: Contrast-Informed Augmentation and Domain-Adversarial Training for Adult-to-Neonatal MR Reconstruction Generalization
• Title（参考訳）: 成人から新生児のMR画像再構成一般化のためのコントラスト・インフォームド・オービメンテーションとドメイン・ディバイザ・トレーニング
• Authors: Stephen Moore, Lara Leijser, Richard Frayne, Roberto Souza,
• Abstract要約: コントラスト・インフォームド・データ強化とドメイン・アドバイサル・トレーニングがE2E-VarNetの成人から新生児への一般化を改善するかを検討した。
• 参考スコア（独自算出の注目度）: 0.4199844472131921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To investigate whether contrast-informed data augmentation and domain-adversarial training improve the adult-to-neonatal generalization of the E2E-VarNet. Methods: Three training regimes were investigated: (1) adult-only training with unaugmented adult data, (2) mixed training with paired unaugmented and neonatal-informed augmented adult data, and (3) mixed training with a domain-adversarial objective. Models were trained on retrospectively undersampled multi-coil adult T2-weighted brain MR data and evaluated on neonatal and adult test data at acceleration factors $R=4$ and $R=8$ using quantitative metrics and qualitative evaluation. Feature analyses assessed whether domain-adversarial training altered the latent representations of unaugmented adult, augmented adult, and neonatal test samples. Results: Mixed training (Mixed) and mixed domain-adversarial training (Mixed-DAT) outperformed unaugmented adult-only training (Unaug-Only) when evaluated on neonatal data. At R=4, Mixed-DAT achieved the best performance (SSIM = 0.924 +/- 0.027, PSNR = 33.98 +/- 1.15 dB). At R=8, Mixed-DAT performed best when measured using SSIM (0.848 +/- 0.031 vs. 0.766 +/- 0.037 for Unaug-Only and 0.814 +/- 0.035 for Mixed) and Mixed performed best when measured using PSNR (29.56 +/- 0.83 dB vs. 26.26 +/- 0.78 dB for Unaug-Only and 29.43 +/- 0.83 dB for Mixed-DAT). Qualitative assessment of t-SNE plots suggested that Mixed-DAT increased the overlap among the latent representations of the unaugmented adult, augmented adult, and neonatal test data. Conclusion: Contrast-informed augmentation and domain-adversarial training improved adult-to-neonatal generalization of deep learning-based MR reconstruction. These findings suggest that contrast-informed data augmentation combined with adversarial training may improve robustness to domain shift in undersampled neonatal MR reconstruction.
• Abstract（参考訳）: 目的:E2E-VarNetの成人から新生児への一般化において,コントラストインフォームドデータ拡張とドメインアドバイザリトレーニングが改善するか否かを検討すること。 方法:(1)未成年者データを用いた成人専用トレーニング,(2)未成年者データと新生児インフォームド・アダルトデータによる混合トレーニング,(3)ドメイン・アダルト目標を用いた混合トレーニングの3つのトレーニング体制について検討した。 モデルは, マルチコイル型成人T2重み付け脳MRIデータを用いて, 加速度係数$R=4$および$R=8$において, 定量的測定と定性評価を用いて, 乳児および成人の試験データを用いて, 遡及的にアンサンプされたマルチコイル型成人T2重み付き脳MRデータに基づいて訓練した。 機能分析により, 未成年者, 成年者, 新生児検診標本の潜伏表現が変化したかどうかを検討した。 結果: 混合訓練(Mixed)と混合ドメイン・アドバーサリアル・トレーニング(Mixed-DAT)は新生児データによる未成年者のみのトレーニング(Unaug-Only)よりも優れていた。 R=4でMixed-DATは最高のパフォーマンスを達成した(SSIM = 0.924 +/- 0.027, PSNR = 33.98 +/- 1.15 dB)。 R=8では、SSIM (0.848 +/- 0.031 vs. 0.766 +/- 0.037 for Unaug-Only and 0.814 +/- 0.035 for Mixed) を用いて測定し、PSNR (29.56 +/- 0.83 dB vs. 26.26 +/- 0.78 dB for Unaug-Only and 29.43 +/- 0.83 dB for Mixed-DAT) を用いて測定した。 t-SNEプロットの質的評価から、Mixed-DATは未成年者、成年者、新生児検診データの潜伏した表現の重複を増大させたことが示唆された。 結論: コントラスト・インフォームド・エンタテインメントとドメイン・アドバイザリ・トレーニングにより, 深層学習に基づくMR再構成の成人から新生児への一般化が改善した。 以上の結果より, 造影インフォームドデータ拡張と対位法トレーニングの併用により, 新生児MR再建術における領域シフトに対する堅牢性が向上する可能性が示唆された。

関連論文リスト

• Curriculum Learning with Synthetic Data for Enhanced Pulmonary Nodule Detection in Chest Radiographs [0.0]
  本研究は, カリキュラム学習と総合的拡張を統合することで, 難治性肺結節の検出が促進されるかどうかを検証した。 FPN(Feature Pyramid Network)バックボーンを備えた高速なR-CNNは、ハイブリッドデータセットでトレーニングされた。
  論文  参考訳（メタデータ） (2025-10-09T02:06:13Z)
• Reinforcement Learning on Dyads to Enhance Medication Adherence [45.04199025071767]
  介入の配信をパーソナライズする新しいマルチエージェント強化学習(MARL)手法を提案する。 MARLフレームワークは、各エージェントが1つの介入コンポーネントのデリバリに責任を持つもので、フラット化されたエージェントと比較してより高速な学習を可能にする。 実際の臨床データに基づくダイアディック・シミュレーター環境による評価は,薬剤の付着性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-02-06T02:27:35Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
  ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。 小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
  論文  参考訳（メタデータ） (2024-01-16T14:44:06Z)
• AUC-mixup: Deep AUC Maximization with Mixup [47.99058341229214]
  AUCは正と負のペアで定義されており、ミックスアップデータ拡張をDAMに組み込むことが難しい。 我々はAUCマージン損失とソフトラベルを定式化に用いて、ミックスアップによって生成されたデータから効果的に学習する。 提案手法が不均衡なベンチマークと医用画像データセットに与える影響を実験的に検証した。
  論文  参考訳（メタデータ） (2023-10-18T03:43:11Z)
• Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction [0.31498833540989407]
  主観的な自己申告スコアに基づいて訓練された機械学習モデルは、苦痛を客観的に分類するのに苦労する。 本研究は,ANS変調内皮活動(EDA)のリアルタイム連続的鎮痛スコア取得と収集のための2つの装置を開発した。 客観的EDAとインセッションスコアのトレーニングを受けたモデルは、それぞれ70.3%と74.6%のトレーニングを受けたモデルと比較して、優れたパフォーマンス(75.9%と78.3%)を達成した。
  論文  参考訳（メタデータ） (2023-08-02T00:28:22Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。