論文の概要: End-to-end semantic segmentation of personalized deep brain structures
for non-invasive brain stimulation
- arxiv url: http://arxiv.org/abs/2002.05487v1
- Date: Thu, 13 Feb 2020 13:17:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 13:58:09.331736
- Title: End-to-end semantic segmentation of personalized deep brain structures
for non-invasive brain stimulation
- Title（参考訳）: 非侵襲的脳刺激のためのパーソナライズされた深部脳構造のエンドツーエンド意味セグメンテーション
- Authors: Essam A. Rashed, Jose Gomez-Tames, Akimasa Hirata
- Abstract要約: 経頭蓋直流刺激(TDCS)は、頭皮に付着した電極を介して適用される安価な臨床応用として広く用いられている。
解剖学的複雑性と高い物体間変動により,脳の各領域における電場(EF)の量と分布を決定することは困難である。
本研究では,脳深部セグメンテーションのための単一エンコーダマルチデコーダ畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 2.750124853532831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electro-stimulation or modulation of deep brain regions is commonly used in
clinical procedures for the treatment of several nervous system disorders. In
particular, transcranial direct current stimulation (tDCS) is widely used as an
affordable clinical application that is applied through electrodes attached to
the scalp. However, it is difficult to determine the amount and distribution of
the electric field (EF) in the different brain regions due to anatomical
complexity and high inter-subject variability. Personalized tDCS is an emerging
clinical procedure that is used to tolerate electrode montage for accurate
targeting. This procedure is guided by computational head models generated from
anatomical images such as MRI. Distribution of the EF in segmented head models
can be calculated through simulation studies. Therefore, fast, accurate, and
feasible segmentation of different brain structures would lead to a better
adjustment for customized tDCS studies. In this study, a single-encoder
multi-decoders convolutional neural network is proposed for deep brain
segmentation. The proposed architecture is trained to segment seven deep brain
structures using T1-weighted MRI. Network generated models are compared with a
reference model constructed using a semi-automatic method, and it presents a
high matching especially in Thalamus (Dice Coefficient (DC) = 94.70%), Caudate
(DC = 91.98%) and Putamen (DC = 90.31%) structures. Electric field distribution
during tDCS in generated and reference models matched well each other,
suggesting its potential usefulness in clinical practice.
- Abstract（参考訳）: 深部脳領域の電気刺激または変調は、いくつかの神経系の障害の治療に一般的に用いられる。
特に、経頭蓋直流刺激(tDCS)は、頭皮に付着した電極を介して適用される安価な臨床応用として広く用いられている。
しかし, 解剖学的複雑度と物体間変動性が高いため, 異なる脳領域における電場(EF)の量と分布を決定することは困難である。
パーソナライズされたtDCSは、正確なターゲティングのために電極モンタージュを許容するために使われる新しい臨床試験である。
この手順はMRIなどの解剖学的画像から生成された計算ヘッドモデルによって導かれる。
セグメント化ヘッドモデルにおけるEFの分布はシミュレーション研究によって計算できる。
したがって、異なる脳構造の高速で正確で実現可能なセグメンテーションは、カスタマイズされたtDCS研究により良い調整をもたらす。
本研究では,脳深部セグメンテーションのための単一エンコーダマルチデコーダ畳み込みニューラルネットワークを提案する。
提案したアーキテクチャは、T1強調MRIを用いて7つの深部脳構造をセグメント化するように訓練されている。
ネットワーク生成モデルはセミオートマチック法を用いて構築された参照モデルと比較され、特にタラモス(Dice Coefficient (DC) = 94.70%)、コーダテ(DC = 91.98%)、プータメン(DC = 90.31%)構造において高いマッチングを示す。
生成モデルと参照モデルのtdcにおける電界分布は一致し,臨床における有用性が示唆された。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - SHARM: Segmented Head Anatomical Reference Models [1.3108652488669732]
本研究は196名の被験者からなるオープンアクセス・セグメンテッド・ヘッド解剖学的基準モデル(SHARM)を提供する。
SHARMは、電磁線ドシメトリー研究だけでなく、異なる人間の頭部セグメンテーション応用にも有用なベンチマークとして期待されている。
論文 参考訳（メタデータ） (2023-09-13T02:24:37Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Hepatic vessel segmentation based on 3Dswin-transformer with inductive
biased multi-head self-attention [46.46365941681487]
Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。
正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。
一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
論文 参考訳（メタデータ） (2021-11-05T10:17:08Z) - A Feasibility study for Deep learning based automated brain tumor
segmentation using Magnetic Resonance Images [0.0]
深部畳み込みニューラルネットワーク(CNN)に基づく分類ネットワークおよび脳腫瘍MR画像分類および腫瘍局在のための高速RCNNベースの局在ネットワークが開発された。
提案した腫瘍セグメンテーションアーキテクチャの全体的な性能を,精度,境界変位誤差(BDE),Diceスコア,信頼区間などの客観的な品質パラメータを用いて解析した。
セグメント化された出力の信頼度は、専門家の信頼度と同じ範囲にあることが観察されました。
論文 参考訳（メタデータ） (2020-12-22T12:11:42Z) - Influence of segmentation accuracy in structural MR head scans on
electric field computation for TMS and tES [2.750124853532831]
脳では、脳脊髄液(CSF)ではセグメンテーションの精度が比較的高く、灰白質(GM)では中等度であり、経頭蓋磁気刺激(TMS)や経頭蓋電気刺激(TES)では白質が低い。
CSFセグメンテーション精度はDice coefficient (DC) で10%低下し、両方の応用において正規化誘導電場において4%まで低下する。
しかし、5.6%DCのGMセグメンテーション精度の低下により、正規化誘導電界は6%まで増加する。
論文 参考訳（メタデータ） (2020-09-25T03:38:24Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - 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) - Development of accurate human head models for personalized
electromagnetic dosimetry using deep learning [2.750124853532831]
本稿では,人間の頭構造全体のセグメント化を行うために,ForkNetと呼ばれる畳み込みニューラルネットワークの新しいアーキテクチャを提案する。
提案したネットワークは、パーソナライズされた頭部モデルの生成に利用でき、脳磁図刺激時の脳内の電界評価に応用できる。
論文 参考訳（メタデータ） (2020-02-21T01:21:34Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳（メタデータ） (2019-12-28T12:45:34Z)
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。