論文の概要: Development of accurate human head models for personalized
electromagnetic dosimetry using deep learning
- arxiv url: http://arxiv.org/abs/2002.09080v1
- Date: Fri, 21 Feb 2020 01:21:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 00:50:46.139416
- Title: Development of accurate human head models for personalized
electromagnetic dosimetry using deep learning
- Title（参考訳）: 深層学習を用いたパーソナライズされた電磁線量測定のための高精度人頭モデルの開発
- Authors: Essam A. Rashed and Jose Gomez-Tames and Akimasa Hirata
- Abstract要約: 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。
- 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: The development of personalized human head models from medical images has
become an important topic in the electromagnetic dosimetry field, including the
optimization of electrostimulation, safety assessments, etc. Human head models
are commonly generated via the segmentation of magnetic resonance images into
different anatomical tissues. This process is time consuming and requires
special experience for segmenting a relatively large number of tissues. Thus,
it is challenging to accurately compute the electric field in different
specific brain regions. Recently, deep learning has been applied for the
segmentation of the human brain. However, most studies have focused on the
segmentation of brain tissue only and little attention has been paid to other
tissues, which are considerably important for electromagnetic dosimetry.
In this study, we propose a new architecture for a convolutional neural
network, named ForkNet, to perform the segmentation of whole human head
structures, which is essential for evaluating the electrical field distribution
in the brain. The proposed network can be used to generate personalized head
models and applied for the evaluation of the electric field in the brain during
transcranial magnetic stimulation. Our computational results indicate that the
head models generated using the proposed network exhibit strong matching with
those created via manual segmentation in an intra-scanner segmentation task.
- Abstract（参考訳）: 医療画像からのパーソナライズされた頭部モデルの開発は、電気刺激の最適化や安全性評価など、電磁線量測定の分野で重要な話題となっている。
ヒトの頭部モデルは通常、磁気共鳴画像の異なる解剖組織への分割を通じて生成される。
このプロセスは時間がかかり、比較的多くの組織を分割するのに特別な経験を必要とする。
したがって、異なる特定の脳領域の電場を正確に計算することは困難である。
近年,深層学習が人間の脳のセグメンテーションに応用されている。
しかし、ほとんどの研究は脳組織のセグメンテーションのみに焦点を当てており、電磁線ドシメトリーにおいて重要な他の組織にはほとんど注意が払われていない。
本研究では,脳内の電界分布を評価する上で必須となる,人間の頭部構造全体を分節化するための畳み込みニューラルネットワーク forknet のアーキテクチャを提案する。
提案するネットワークは、パーソナライズされた頭部モデルを生成し、経頭蓋磁気刺激時の脳の電界評価に適用することができる。
その結果,提案ネットワークを用いて生成した頭部モデルは,スカンナ内セグメンテーションタスクにおいて手動セグメンテーションにより作成した頭部モデルと強い一致を示した。
関連論文リスト
- ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - 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) - 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) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - 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) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - 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) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳（メタデータ） (2020-05-25T13:51:03Z) - 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) - End-to-end semantic segmentation of personalized deep brain structures
for non-invasive brain stimulation [2.750124853532831]
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。
論文 参考訳（メタデータ） (2020-02-13T13:17:25Z) - 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。