論文の概要: Diffusion MRI preprocessing affects ADC estimation and automatic PI-RADS v2.1 classification in bi-parametric prostate MRI

• arxiv url: http://arxiv.org/abs/2607.11385v1
• Date: Mon, 13 Jul 2026 10:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.439675
• Title: Diffusion MRI preprocessing affects ADC estimation and automatic PI-RADS v2.1 classification in bi-parametric prostate MRI
• Title（参考訳）: 拡散MRI前処理は2パラメータ前立腺MRIにおけるADC推定とPI-RADS v2.1分類に影響を及ぼす
• Abstract要約: 拡散強調画像(DWI)はバイパラメトリック前立腺MRIの一部として取得される。 脳画像におけるDWI前処理は標準的であるが、前立腺画像への採用は限定的であり、標準化されたパイプラインが欠如している。 本研究では,DWI前処理方式の違いが,明らかな拡散係数推定およびPI-RADS分類に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-weighted imaging (DWI) is acquired as part of bi-parametric prostate MRI, but suffers from artifacts that degrade downstream quantitative and diagnostic performance. While DWI preprocessing is standard in brain imaging, its adoption in prostate imaging remains limited and lacks standardized pipelines. This study investigated the effect of different DWI preprocessing strategies on apparent diffusion coefficient (ADC) estimation and automatic Prostate Imaging Reporting and Data System (PI-RADS) classification. 268 cases were derived from the fastMRI prostate cohort by sequentially applying denoising, Gibbs-ringing correction, and diffeomorphic registration for susceptibility distortion correction. ADC maps were compared using linear least squares (LLS) and iteratively-weighted LLS (IWLLS). A 3-class DenseNet classifier was trained to predict PI-RADS scores from multi-channel MRI inputs. ADC analysis revealed statistically significant differences across preprocessing pipelines, with LLS and IWLLS producing numerically equivalent maps. Linear relationships between ADC values were preserved across most datasets (PCC ~0.99), while distortion correction realigned DWI to T2w anatomy and altered ADC values accordingly (PCC ~0.90). Classification showed the best AUROC and sensitivity for high-risk PI-RADS classes in the fully processed dataset. False-negative analysis revealed this dataset produced the least overconfident incorrect predictions on high-risk classes, which is a desirable property for clinical triage. DWI preprocessing, particularly distortion correction, enhances both ADC map quality and the predictive power of deep learning models for PI-RADS classification, supporting the need for optimized preprocessing pipelines in prostate MRI.
• Abstract（参考訳）: 拡散強調画像(DWI)はバイパラメトリック前立腺MRIの一部として取得されるが、下流の定量的および診断性能を低下させるアーティファクトに悩まされている。 脳画像におけるDWI前処理は標準的であるが、前立腺画像への採用は限定的であり、標準化されたパイプラインが欠如している。 本研究では,DWI前処理方式の違いがADC推定およびPI-RADS分類に及ぼす影響について検討した。 268例は, 難読化, Gibbs-ringing 補正, びまん性歪み補正のための差分型登録を順次適用し, 高速MRI前立腺コーホートから抽出した。 ADCマップは線形最小二乗 (LLS) と反復重み付きLSS (IWLLS) を用いて比較した。 マルチチャネルMRI入力からPI-RADSスコアを予測するために、3クラスDenseNet分類器が訓練された。 ADC解析では前処理パイプライン間で統計的に有意な差が見られ、LSSとIWLLSは数値的に等価なマップを生成する。 ADC値間の線形関係は,ほとんどのデータセット (PCC ~0.99) で保存され, 歪み補正はDWIをT2w解剖に再配置し, ADC値を変化させた (PCC ~0.90)。 AUROCの分類は, 完全処理データセットにおいて, リスクの高いPI-RADSクラスに対して最高の感度と感度を示した。 偽陰性分析の結果、このデータセットはリスクの高いクラスで最も過度に不正確な予測を導出し、これは臨床トリアージに望ましい性質であることがわかった。 DWI前処理、特に歪み補正は、APCマップの品質とPI-RADS分類のためのディープラーニングモデルの予測能力を高め、前立腺MRIにおける最適化前処理パイプラインの必要性をサポートする。

関連論文リスト

• Bridging Single Distortion Artifacts and Multifactorial Clinical Quality: Few-shot Biparametric MRI Quality Assessment via Distortion-trained Prototypical Networks [37.46263264161563]
  画像品質自動評価(IQA)のための数発のプロトタイプネットワークを提案する。 我々のフレームワークは、T2重み付きDWI特徴を融合させるためにデュアルブランチ3D ResNetを使用し、真の形態と歪みを区別するための解剖学的コンテキストを提供する。 比較的客観的な歪みラベルのみに基づいてメタトレーニングされたモデルが、複雑で多因子的な臨床品質スコアの予測に効果的に適応できることを実証する。
  論文  参考訳（メタデータ） (2026-06-17T09:50:45Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images [23.05175906366438]
  Invasive Coronary Angiography (ICA) は冠動脈疾患の診断における臨床標準である。 本研究では,ICA画像の自動検出,病変,重症度推定のためのオープンソースフレームワークODySSeIを紹介する。 ODySSeIは、新しいピラミッド拡張スキーム(PAS)を用いて訓練された深層学習に基づく病変検出と病変分割モデルを統合する 我々のLSE技術は,MLDの予測値が,対応する基底真理からpm$2-3ピクセルしか差がないため,精度が高い。
  論文  参考訳（メタデータ） (2026-03-20T15:07:15Z)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• Mitigating Multi-Sequence 3D Prostate MRI Data Scarcity through Domain Adaptation using Locally-Trained Latent Diffusion Models for Prostate Cancer Detection [1.6508709227918446]
  潜在拡散モデル(LDM)は、医療画像解釈のための機械学習開発に影響を与えるデータの不足を軽減できる。 CCELLA++は,これらの限界に対処し,臨床的有用性を向上させる。
  論文  参考訳（メタデータ） (2025-07-08T20:38:10Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep Reinforcement Learning and Overlap Degree Calculation [12.201553863670155]
  深部強化学習に基づく大動脈DSA/CTA剛性登録のための教師なし手法UDCRを提案する。 アルゴリズム評価のために61組の大動脈DSA/CTAを手動でアノテートした結果,UDCRは平均絶対誤差2.85mm,回転4.35degを達成した。
  論文  参考訳（メタデータ） (2024-03-09T01:18:32Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。