Fugu-MT 論文翻訳(概要): Partial Volume Segmentation of Brain MRI Scans of any Resolution and Contrast

論文の概要: Partial Volume Segmentation of Brain MRI Scans of any Resolution and Contrast

arxiv url: http://arxiv.org/abs/2004.10221v3
Date: Thu, 8 Apr 2021 12:56:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 06:38:02.514176
Title: Partial Volume Segmentation of Brain MRI Scans of any Resolution and Contrast
Title（参考訳）: 任意の解像度とコントラストを有する脳MRIスキャンの部分容積分割
Authors: Benjamin Billot, Eleanor D. Robinson, Adrian V. Dalca, Juan Eugenio Iglesias
Abstract要約: 部分ボラーミング(PV)は、確率論的アトラスを伴う脳MRIのベイズ分割における最後の重要な未解決問題である。 PVは、アトラスとテストスキャンの間に大きな解像度ギャップがある場合、特にセグメンテーションにおいて問題となる。我々は、(多モード)低分解能(LR)スキャンと基礎となる高分解能(HR)セグメンテーションのマッピングを直接学習することで、この問題に対処する畳み込みニューラルネットワーク(CNN)であるPV-SynthSegを提案する。
参考スコア（独自算出の注目度）: 6.850909506891018
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Partial voluming (PV) is arguably the last crucial unsolved problem in Bayesian segmentation of brain MRI with probabilistic atlases. PV occurs when voxels contain multiple tissue classes, giving rise to image intensities that may not be representative of any one of the underlying classes. PV is particularly problematic for segmentation when there is a large resolution gap between the atlas and the test scan, e.g., when segmenting clinical scans with thick slices, or when using a high-resolution atlas. In this work, we present PV-SynthSeg, a convolutional neural network (CNN) that tackles this problem by directly learning a mapping between (possibly multi-modal) low resolution (LR) scans and underlying high resolution (HR) segmentations. PV-SynthSeg simulates LR images from HR label maps with a generative model of PV, and can be trained to segment scans of any desired target contrast and resolution, even for previously unseen modalities where neither images nor segmentations are available at training. PV-SynthSeg does not require any preprocessing, and runs in seconds. We demonstrate the accuracy and flexibility of the method with extensive experiments on three datasets and 2,680 scans. The code is available at https://github.com/BBillot/SynthSeg.
Abstract（参考訳）: 部分ボラーミング(PV)は、確率論的アトラスを伴う脳MRIのベイズ分割における最後の重要な未解決問題である。 PVは、ボクセルが複数の組織クラスを含むときに起こり、下層のどのクラスにも代表されない画像強度を引き起こす。 PVは、アトラスとテストスキャンの間に大きな解像度ギャップがある場合、例えば、臨床スキャンを厚いスライスで分割したり、高解像度のアトラスを使用する場合、特に問題となる。本研究では,この問題に対処する畳み込みニューラルネットワーク(CNN)であるPV-SynthSegについて,低分解能(LR)スキャンと根底にある高分解能(HR)セグメンテーションのマッピングを直接学習する。 PV-SynthSegは、HRラベルマップからのLR画像をPVの生成モデルでシミュレートし、トレーニング時に画像もセグメンテーションも使用できない未確認のモダリティであっても、任意の目標コントラストと解像度のスキャンをセグメント化するように訓練することができる。 PV-SynthSegは前処理を一切必要とせず、数秒で実行される。提案手法の精度と柔軟性を3つのデータセットと2,680のスキャンで検証した。コードはhttps://github.com/BBillot/SynthSegで入手できる。

関連論文リスト

LMBF-Net: A Lightweight Multipath Bidirectional Focal Attention Network for Multifeatures Segmentation [15.091476025563528]
網膜疾患は、早期に診断や治療を受けなければ、両眼で不可逆的な視力喪失を引き起こす可能性がある。多くのラベルや属性で網膜画像をセグメント化するための現在のディープラーニング技術は、検出精度と一般性に乏しい。本稿では,多機能セグメンテーションのためのマルチパス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） (2024-07-03T07:37:09Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文参考訳（メタデータ） (2022-11-29T23:47:56Z)
SuperVessel: Segmenting High-resolution Vessel from Low-resolution Retinal Image [14.15919158242763]
本稿では,低解像度画像を入力として,高分解能かつ高精度な血管分割を行うSuperVesselというアルゴリズムを提案する。提案したSuperVesselは,他の最先端アルゴリズムと比較して,分割精度が6%以上で,より小さな容器を分割することができる。
論文参考訳（メタデータ） (2022-07-28T05:20:28Z)
Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文参考訳（メタデータ） (2022-05-06T08:37:02Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
Joint super-resolution and synthesis of 1 mm isotropic MP-RAGE volumes from clinical MRI exams with scans of different orientation, resolution and contrast [4.987889348212769]
コントラスト,解像度,方向の異なる1つ以上の厚いスライススキャンを受信するCNNの訓練方法であるSynthSRを提案する。提案手法では,ストリッピングやバイアスフィールド補正などの前処理は不要である。
論文参考訳（メタデータ） (2020-12-24T17:29:53Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
An Auto-Encoder Strategy for Adaptive Image Segmentation [18.333542893112007]
本稿では,離散表現学習問題としてセグメンテーションの新たな視点を提案する。フレキシブルで適応的な自動エンコーダセグメンテーション戦略を提案する。我々はマルコフランダム場先行が空間的に独立な先行よりもはるかに優れた結果が得られることを示した。
論文参考訳（メタデータ） (2020-04-29T00:53:24Z)

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。