論文の概要: Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2607.15396v1
• Date: Thu, 16 Jul 2026 18:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.683701
• Title: Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation
• Title（参考訳）: 脳腫瘍切除における資源制約深部ニューラルネットワークトレーニングのためのマルチコントラスト3次元MRI選択戦略としての部分情報分解
• Authors: Agamdeep Chopra, Mehmet Kurt,
• Abstract要約: 入力ペアを冗長でユニークでシナジスティックな情報に基づいてランク付けする,事前学習型部分情報分解フレームワークの評価を行った。 我々は、異なる入力構成を用いて、11のアーキテクチャで同一の軽量な3D U-Netを訓練した。
• 参考スコア（独自算出の注目度）: 0.07639235704257863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-contrast 3D MRI segmentation can be computationally demanding when all available sequences are used. We evaluate a pre-training Partial Information Decomposition framework that ranks input pairs according to their redundant, unique, and synergistic information about regional tumor burden and selects the highest-ranked pair for downstream training. Applied to T1n, T1c, T2w, and T2-FLAIR MRI, the framework selected T1c+T2-FLAIR. We then trained eleven architecturally identical lightweight 3D U-Nets using different input configurations. On an independent test cohort, T1c+T2-FLAIR was the strongest two-input configuration and ranked second overall in mean Dice (0.676 versus 0.687 for all four inputs). Independent Shapley analysis on the full-input model also identified T2-FLAIR and T1c as the most influential inputs and their pairwise interaction as the strongest. These findings demonstrate the practical value of PID based pre-training selection for identifying compact, informative MRI input sets before costly 3D model development.
• Abstract（参考訳）: マルチコントラスト3次元MRIセグメント化は、すべての利用可能なシーケンスが使用されるときに計算的に要求される。 地域腫瘍の重みに関する冗長性,特異性,相乗的情報に基づいて,入力ペアをランク付けする事前学習部分情報分解フレームワークの評価を行い,下流トレーニングにおける最上位のペアを選択する。 T1n、T1c、T2w、T2-FLAIR MRIに適用し、T1c+T2-FLAIRを選択した。 次に、異なる入力構成を使用して、11のアーキテクチャで同一の軽量な3D U-Netをトレーニングした。 独立したテストコホートでは、T1c+T2-FLAIRが2入力方式で最強であり、Diceの平均で2位だった(全4入力で0.676対0.687)。 フルインプットモデルの独立シェープ解析では、T2-FLAIRとT1cが最も影響力のある入力であり、両者の相互作用が最強であると同定された。 これらの結果は,3次元モデル開発に先立って,コンパクトで情報性の高いMRI入力セットを特定するために,PIDに基づく事前学習選択の実用的価値を示すものである。

関連論文リスト

• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• BrainAnytime: Anatomy-Aware Cross-Modal Pretraining for Brain Image Analysis with Arbitrary Modality Availability [9.583290278078428]
  我々は、34,899個の脳スキャンで事前トレーニングされた統合事前トレーニングフレームワークBrainAnytimeを提示する。 単一のモデルは、単一のT1スキャンから完全なマルチモーダルワークアップまで、利用可能などんな画像も受け入れる。 BrainAnytimeは、モダリティ固有のモデル、欠落したモダリティベースライン、大規模な脳MRI事前訓練基礎モデルを上回っている。
  論文  参考訳（メタデータ） (2026-05-13T06:32:28Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks [0.0]
  本研究はパーキンソン病の診断にConvolutional Kolmogorov-Arnold Networks(ConvKANs)を適用した。 ConvKANは、構造MRIを用いたPD分類のために、学習可能なアクティベーション機能を畳み込み層に統合する。 医用画像用ConvKANの最初の3D実装について紹介し、その性能を畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)と比較した。 これらの知見は, PD検出に対するConvKANsの可能性を強調し, 脳の微妙な変化を捉える上での3D解析の重要性を強調し, データセット間の一般化の課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-24T16:04:18Z)
• Brain Tumor Radiogenomic Classification [1.8276368987462532]
  2次分類によるグリオ芽腫のMGMTバイオマーカー状態の予測を目的としたRSNA-MICCAI脳腫瘍ラジオゲノミクス分類の試み データセットはトレーニングセット、トレーニング中に使用された検証セット、最終評価時にのみ使用されるテストの3つの主要なコホートに分割される。
  論文  参考訳（メタデータ） (2024-01-11T10:30:09Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• DS3-Net: Difficulty-perceived Common-to-T1ce Semi-Supervised Multimodal MRI Synthesis Network [3.9562534927482704]
  本稿では,多モードMRI合成ネットワーク(DS3-Net)を提案する。 5%のペアデータしか持たないDS3-Netは、100%ペアデータを利用した最先端の画像翻訳手法と競合し、平均SSIMは0.8947、平均PSNRは23.60である。
  論文  参考訳（メタデータ） (2022-03-14T08:22:15Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。