論文の概要: Hippocampus Segmentation on Epilepsy and Alzheimer's Disease Studies
with Multiple Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2001.05058v2
- Date: Wed, 10 Feb 2021 21:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 12:35:17.730817
- Title: Hippocampus Segmentation on Epilepsy and Alzheimer's Disease Studies
with Multiple Convolutional Neural Networks
- Title（参考訳）: 複数の畳み込みニューラルネットワークを用いたてんかんおよびアルツハイマー病研究における海馬の分節化
- Authors: Diedre Carmo, Bruna Silva, Clarissa Yasuda, Let\'icia Rittner and
Roberto Lotufo
- Abstract要約: 本稿では,最先端,オープンソース,深層学習に基づく海馬セグメンテーション手法を提案する。
拡張された2次元マルチオリエンテーションアプローチを使用し、自動前処理と配向アライメントを備える。
我々は,HarPテストセットとDiceのHCUnicampの両方の文献から,HarPでのみトレーニングされた手法が,他の方法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.08749675983608168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hippocampus segmentation on magnetic resonance imaging is of key importance
for the diagnosis, treatment decision and investigation of neuropsychiatric
disorders. Automatic segmentation is an active research field, with many recent
models using deep learning. Most current state-of-the art hippocampus
segmentation methods train their methods on healthy or Alzheimer's disease
patients from public datasets. This raises the question whether these methods
are capable of recognizing the hippocampus on a different domain, that of
epilepsy patients with hippocampus resection. In this paper we present a
state-of-the-art, open source, ready-to-use, deep learning based hippocampus
segmentation method. It uses an extended 2D multi-orientation approach, with
automatic pre-processing and orientation alignment. The methodology was
developed and validated using HarP, a public Alzheimer's disease hippocampus
segmentation dataset. We test this methodology alongside other recent deep
learning methods, in two domains: The HarP test set and an in-house epilepsy
dataset, containing hippocampus resections, named HCUnicamp. We show that our
method, while trained only in HarP, surpasses others from the literature in
both the HarP test set and HCUnicamp in Dice. Additionally, Results from
training and testing in HCUnicamp volumes are also reported separately,
alongside comparisons between training and testing in epilepsy and Alzheimer's
data and vice versa. Although current state-of-the-art methods, including our
own, achieve upwards of 0.9 Dice in HarP, all tested methods, including our
own, produced false positives in HCUnicamp resection regions, showing that
there is still room for improvement for hippocampus segmentation methods when
resection is involved.
- Abstract（参考訳）: 磁気共鳴画像における海馬分画は,神経精神疾患の診断,治療決定,検討において重要な役割を担っている。
自動セグメンテーションは活発な研究分野であり、近年のディープラーニングを用いた多くのモデルがある。
現在の最先端の海馬セグメンテーション法は、公衆データセットから健康やアルツハイマー病の患者を訓練している。
これにより,海馬切除後のてんかん患者と異なる領域の海馬を認識できるかどうかが疑問視される。
本稿では,最先端のオープンソースの深層学習に基づく海馬セグメンテーション手法を提案する。
拡張された2次元マルチオリエンテーションアプローチを使用し、自動前処理と配向アライメントを備える。
この手法は、アルツハイマー病の海馬セグメンテーションデータセットであるHarPを用いて開発、検証された。
この手法を,最近の深層学習法と並行して,harpテストセットと,海馬切除を含む内部てんかんデータセットhcunicampという2つの領域でテストした。
我々は,HarPテストセットとDiceのHCUnicampの両方の文献から,HarPでのみトレーニングされた手法が,他の方法よりも優れていることを示す。
さらに、hcunicampボリュームでのトレーニングとテストの結果も別々に報告されており、てんかんとアルツハイマーのデータでのトレーニングとテストとを比較している。
現在の海馬摘出術はharpで0.9 dice以上を達成するが,全検査ではhcunicamp切除領域で偽陽性を示し,切除時に海馬分離術の改善の余地が残っていることが示された。
関連論文リスト
- A Novel Hybrid Parameter-Efficient Fine-Tuning Approach for Hippocampus Segmentation and Alzheimer's Disease Diagnosis [12.775565417928895]
本稿では,ハイブリッド並列およびシリアルアーキテクチャを用いたHyPSと呼ばれる,パラメータ効率の高いファインチューニング手法を提案する。
HyPSはモデルパラメータの最小限のサブセットを更新し、事前訓練されたモデルの元の知識トラクチャを保持する。
アルツハイマー病を認知正常(CN)個体と区別することで、HyPSはそれぞれ83.78%と64.29%の分類精度を達成した。
論文 参考訳（メタデータ） (2024-09-02T00:52:00Z) - Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。
本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文 参考訳（メタデータ） (2024-08-20T13:11:43Z) - Disentangling Hippocampal Shape Variations: A Study of Neurological Disorders Using Mesh Variational Autoencoder with Contrastive Learning [3.978057697592975]
教師付きコントラスト学習により強化されたメッシュ変分オートエンコーダ(VAE)を利用する。
本研究の目的は,年齢と疾患の有無に応じた2つの異なる潜伏変数を分離することにより,解釈可能性を向上させることである。
本研究は,MS集団の年齢層別における神経疾患と海馬形状の変化との関係についての貴重な知見を提供する。
論文 参考訳（メタデータ） (2024-03-31T20:08:23Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - A Novel Collaborative Self-Supervised Learning Method for Radiomic Data [3.5213632537596604]
本稿では,ラベル付き無線データ不足の課題を解決するための,新しい自己教師型学習手法を提案する。
提案手法は, 放射線データから頑健な潜在特徴表現を自己指導的に学習し, 人間のアノテーションの取り組みを減らした。
論文 参考訳（メタデータ） (2023-02-20T07:15:28Z) - An automated, geometry-based method for hippocampal shape and thickness
analysis [0.0]
海馬形状の変化は複雑であり、海馬容積のような単一の要約測度で完全に特徴付けることはできない。
本研究では,海馬の厚みや曲率などの形状特徴の展開,ポイントワイド対応,局所解析のための幾何学的自動的アプローチを提案する。
論文 参考訳（メタデータ） (2023-02-01T16:46:46Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。
私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文 参考訳（メタデータ） (2020-07-04T13:39:48Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。