論文の概要: Robust Brain Magnetic Resonance Image Segmentation for Hydrocephalus
Patients: Hard and Soft Attention
- arxiv url: http://arxiv.org/abs/2001.03857v1
- Date: Sun, 12 Jan 2020 05:27:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 04:59:04.734909
- Title: Robust Brain Magnetic Resonance Image Segmentation for Hydrocephalus
Patients: Hard and Soft Attention
- Title（参考訳）: 水頭症に対するロバスト脳磁気共鳴画像分割 : 硬度と軟度の検討
- Authors: Xuhua Ren, Jiayu Huo, Kai Xuan, Dongming Wei, Lichi Zhang, Qian Wang
- Abstract要約: 本稿では,脳波MR画像のセグメンテーション問題を解決するために,硬度・軟度アテンションモジュールを用いた新しい手法を提案する。
私たちの知る限りでは、脳卒中患者の脳のセグメンテーション問題を解決するためにディープラーニングを利用した最初の研究である。
- 参考スコア（独自算出の注目度）: 8.411932235710989
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain magnetic resonance (MR) segmentation for hydrocephalus patients is
considered as a challenging work. Encoding the variation of the brain
anatomical structures from different individuals cannot be easily achieved. The
task becomes even more difficult especially when the image data from
hydrocephalus patients are considered, which often have large deformations and
differ significantly from the normal subjects. Here, we propose a novel
strategy with hard and soft attention modules to solve the segmentation
problems for hydrocephalus MR images. Our main contributions are three-fold: 1)
the hard-attention module generates coarse segmentation map using
multi-atlas-based method and the VoxelMorph tool, which guides subsequent
segmentation process and improves its robustness; 2) the soft-attention module
incorporates position attention to capture precise context information, which
further improves the segmentation accuracy; 3) we validate our method by
segmenting insula, thalamus and many other regions-of-interests (ROIs) that are
critical to quantify brain MR images of hydrocephalus patients in real clinical
scenario. The proposed method achieves much improved robustness and accuracy
when segmenting all 17 consciousness-related ROIs with high variations for
different subjects. To the best of our knowledge, this is the first work to
employ deep learning for solving the brain segmentation problems of
hydrocephalus patients.
- Abstract（参考訳）: 脳磁気共鳴(MR)の脳卒中患者に対するセグメンテーションは難しい作業であると考えられている。
異なる個体の脳解剖学的構造の変化をコード化することは容易ではない。
この課題は、特に水頭症患者の画像データを考慮するとさらに難しくなり、しばしば大きな変形があり、通常の被験者とは大きく異なる。
本稿では,水頭症mr画像のセグメンテーション問題を解決するための,ハードおよびソフトアテンションモジュールを用いた新しい戦略を提案する。
私たちの主な貢献は3倍です。
1) ハードアテンションモジュールは,マルチアトラス法とボクセルモルフツールを用いて粗いセグメンテーションマップを生成し,その後のセグメンテーションプロセスをガイドし,そのロバスト性を向上させる。
2 ソフトアテンションモジュールは、位置注意を取り入れて正確な文脈情報を把握し、セグメンテーション精度をさらに向上させる。
3) 実際の臨床シナリオにおいて脳MRI画像の定量化に不可欠である insula, thalamus, and many other region ofinterests (ROIs) を抽出し, 本法の有効性を検証した。
提案手法は,17種類の意識関連ROIを異なる被験者に対して高いバラツキで分割することで,ロバスト性と精度を大幅に向上させる。
私たちの知る限りでは、脳卒中患者の脳のセグメンテーション問題を解決するためにディープラーニングを利用した最初の研究である。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - MindShot: Brain Decoding Framework Using Only One Image [21.53687547774089]
MindShotは、クロスオブジェクトの事前知識を活用することで、効果的に数発のブレインデコーディングを実現するために提案されている。
新しい被験者と事前訓練された個人は、同じ意味クラスのイメージのみを見る必要があり、モデルの適用性を大幅に拡大する。
論文 参考訳（メタデータ） (2024-05-24T07:07:06Z) - ReFuSeg: Regularized Multi-Modal Fusion for Precise Brain Tumour
Segmentation [5.967412944432766]
本稿では,4つの異なる画像モダリティからの情報を活用した,脳病変セグメンテーションのための新しいマルチモーダルアプローチを提案する。
提案する正規化モジュールは,これらのシナリオに対して堅牢であり,病変のセグメンテーションの信頼性を保証する。
論文 参考訳（メタデータ） (2023-08-26T13:41:56Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Learning from imperfect training data using a robust loss function:
application to brain image segmentation [0.0]
脳MRI解析では、頭部のセグメンテーションは脳の解剖学的構造の測定と可視化に一般的に用いられる。
本稿では,T1強調MRIのみを入力として,脳,頭蓋,頭蓋外組織を分割できる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） (2022-08-08T19:08:32Z) - Confidence-Guided Unsupervised Domain Adaptation for Cerebellum
Segmentation [11.196772863166585]
小脳の包括的高分解能アトラスの欠如は、正常な脳機能と疾患に対する小脳の関与の研究を妨げている。
本稿では、まずアレン脳小脳をBigBrainと視覚的類似性を共有する空間に転送する2段階のフレームワークを提案する。
次に、自信マップを用いた自己学習戦略を導入し、ノイズの多い擬似ラベルからモデル学習を誘導する。
論文 参考訳（メタデータ） (2022-06-14T16:12:46Z) - Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes
for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。
我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。
それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文 参考訳（メタデータ） (2022-04-08T07:56:55Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Deep Recurrent Encoder: A scalable end-to-end network to model brain
signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。
1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文 参考訳（メタデータ） (2021-03-03T11:39:17Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。