論文の概要: Targeted Deep Regression - Initial Applications in Whole-Body Water-Fat MRI in UK Biobank

• arxiv url: http://arxiv.org/abs/2610.35339v1
• Date: Mon, 26 Oct 2026 12:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.927588
• Title: Targeted Deep Regression - Initial Applications in Whole-Body Water-Fat MRI in UK Biobank
• Title（参考訳）: 標的深部回帰-英国バイオバンクにおける全身水脂肪MRIの初期応用
• Abstract要約: UK Biobankはイギリスの臨床研究で、10万人の被験者によるMRI検査を含む予定だ。 画像データは、例えば、画像セグメンテーションや分類のためのニューラルネットワークによる自動交配解析によって分析することができる。 本稿では, ネック・トゥ・クニー・ウォーター・ファットのMRI画像から, 画像に基づく回帰法を用いて数値特性を推定する手法を提案し, 評価する。
• 参考スコア（独自算出の注目度）: 0.5749737667791094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: UK Biobank is a British clinical study which, in addition to large amounts of medical data collected, plans to include detailed Magnetic Resonance Imaging (MRI) examina- tions from 100,000 participants. The image data can be analyzed for example by auto- mated analysis with neural networks for image segmentation or classification to expand the collection of image-derived phenotypes for medical research. In this work, we pro- pose, present and evaluate a methodology that uses image-based regression to estimate numerical properties from the collected neck-to-knee water-fat MRI scans. It applies a ResNet50-style network to 2D multi-channel collages that represent targeted and study- specific anatomical sub-regions from the MRI scan. The targeted sub-region sampling is achieved by propagating manually defined subregions from a reference scan to the other >30,000 analyzed scans using image registration. The resulting collages can be compact while retaining high-resolution, for example by providing multiple slices of kidney tissue for a kidney volume regression network. This approach also enables group-wise saliency analysis that highlight image and anatomical regions used by the network for the pre- dictions. The method was applied for the regression endpoints of kidney volume, heart volume, and age. Predictive performance was found between R2 = 0.731-0.984 and the group-wise saliency maps were found to highlight medically relevant regions. We con- clude that the method can be used to standardize and restrict the information presented to a deep regression analysis pipeline, increasing information density and opening up a wide range of future medical inference studies.
• Abstract（参考訳）: UK Biobankは英国の臨床研究で、大量の医療データに加えて、10万人の被験者によるMRI(磁気共鳴画像)の詳細な検査結果を含める計画だ。 画像データは、例えば、画像セグメンテーションのためのニューラルネットワークによる自動交配解析や、医学研究のための画像由来表現型の収集を拡大する分類によって分析することができる。 本研究では, ネック・トゥ・クニー・ウォーター・ファットのMRI画像から, 画像に基づく回帰を用いて数値特性を推定する手法を提案, 提示, 評価する。 ResNet50スタイルのネットワークを2次元のマルチチャネルコラージュに適用し、MRIスキャンからターゲットと研究に特化した解剖学的サブリージョンを表現している。 対象とするサブリージョンサンプリングは、参照スキャンから手動で定義されたサブリージョンを、画像登録を用いて解析された他の3万のスキャンに伝播することにより達成される。 結果として生じるコラージュは、例えば腎臓容積回帰ネットワークのために複数の腎臓組織のスライスを提供することで、高分解能を維持しながらコンパクトにすることができる。 このアプローチはまた、プレディクションのためにネットワークが使用する画像と解剖学的領域をハイライトするグループワイド・サリエンシ分析を可能にする。 本法は, 腎臓容積, 心臓容積, 年齢の回帰終端に応用した。 R2 = 0.731-0.984 で予測性能がみられ,医療関連領域に注目するグループワイド・サリエンシ・マップが得られた。 我々は,この手法を用いて,深部回帰分析パイプラインに提示される情報を標準化・制限し,情報密度を増大させ,将来的な医学的推論研究を幅広い範囲に広げることができることを実証した。

関連論文リスト

• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• Content-Based Image Retrieval for Multi-Class Volumetric Radiology Images: A Benchmark Study [0.6249768559720122]
  非医用画像上の事前訓練された教師なしモデルからの埋め込みに対して、医用画像上の事前訓練された教師なしモデルからの埋め込みをベンチマークした。 ボリューム画像の検索には,テキストマッチングにインスパイアされた遅延インタラクションのランク付け手法を採用する。
  論文  参考訳（メタデータ） (2024-05-15T13:34:07Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Deep regression for uncertainty-aware and interpretable analysis of large-scale body MRI [1.6799377888527687]
  英国バイオバンクのような大規模医学研究は、医療画像技術を用いた数千人のボランティア参加者を調査した。 回帰のための畳み込みニューラルネットワークによる最近のアプローチは、これらの評価を自動的に行うことができる。 英国バイオバンクの4万人以上の被験者のMRIデータについて、これらのシステムは人間の年齢、体組成などを推定することができる。
  論文  参考訳（メタデータ） (2021-05-17T13:12:20Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• 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。