論文の概要: A Deep Attentive Convolutional Neural Network for Automatic Cortical
Plate Segmentation in Fetal MRI
- arxiv url: http://arxiv.org/abs/2004.12847v3
- Date: Fri, 2 Apr 2021 13:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 06:14:35.967447
- Title: A Deep Attentive Convolutional Neural Network for Automatic Cortical
Plate Segmentation in Fetal MRI
- Title（参考訳）: 胎児MRIにおける自動皮質プレート分割のための深部注意畳み込みニューラルネットワーク
- Authors: Haoran Dou, Davood Karimi, Caitlin K. Rollins, Cynthia M. Ortinau,
Lana Vasung, Clemente Velasco-Annis, Abdelhakim Ouaalam, Xin Yang, Dong Ni,
and Ali Gholipour
- Abstract要約: 我々は胎児脳MRIスキャンのための新しい強力なディープラーニングセグメンテーション法を開発した。
本手法は,完全な畳み込みニューラルネットワークアーキテクチャにおいて,カーネルの畳み込みが混在する新しい深層抑止モジュールを利用する。
本手法は, 正常および変化した胎児大脳皮質の成熟と折り畳みについて, 大規模研究を促進・促進することができる。
- 参考スコア（独自算出の注目度）: 12.554154620492772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fetal cortical plate segmentation is essential in quantitative analysis of
fetal brain maturation and cortical folding. Manual segmentation of the
cortical plate, or manual refinement of automatic segmentations is tedious and
time-consuming. Automatic segmentation of the cortical plate, on the other
hand, is challenged by the relatively low resolution of the reconstructed fetal
brain MRI scans compared to the thin structure of the cortical plate, partial
voluming, and the wide range of variations in the morphology of the cortical
plate as the brain matures during gestation. To reduce the burden of manual
refinement of segmentations, we have developed a new and powerful deep learning
segmentation method. Our method exploits new deep attentive modules with mixed
kernel convolutions within a fully convolutional neural network architecture
that utilizes deep supervision and residual connections. We evaluated our
method quantitatively based on several performance measures and expert
evaluations. Results show that our method outperforms several state-of-the-art
deep models for segmentation, as well as a state-of-the-art multi-atlas
segmentation technique. We achieved average Dice similarity coefficient of
0.87, average Hausdorff distance of 0.96 mm, and average symmetric surface
difference of 0.28 mm on reconstructed fetal brain MRI scans of fetuses scanned
in the gestational age range of 16 to 39 weeks. With a computation time of less
than 1 minute per fetal brain, our method can facilitate and accelerate
large-scale studies on normal and altered fetal brain cortical maturation and
folding.
- Abstract（参考訳）: 胎児大脳皮質プレートの分節は、胎児大脳成熟と皮質の折り畳みの定量的解析に不可欠である。
皮質プレートの手動分割、または自動分割の手動精細化は退屈で時間を要する。
一方、大脳皮質プレートの自動分画は、大脳皮質プレートの細い構造に比べて、再建した胎児のMRIスキャンの解像度が比較的低いこと、大脳皮質プレートが妊娠中に成熟するにつれて、大脳皮質プレートの形態が広範囲に変化していることに課題がある。
セグメント分割の手作業による精細化の負担を軽減するため,新しい強力なディープラーニングセグメンテーション手法を開発した。
本手法は,深い監視と残差接続を利用した,完全畳み込みニューラルネットワークアーキテクチャ内で,カーネル畳み込みを混合した新しい深層注意モジュールを利用する。
本手法は,いくつかの性能評価と専門家評価に基づいて定量的に評価した。
その結果,本手法はセグメント化のための最先端の深層モデル,および最先端のマルチアトラスセグメンテーション技術より優れていることがわかった。
胎生期16～39週の胎児の胎児脳mri画像再構成において,平均dice類似度係数は0.18mm,平均ハウスドルフ距離0.096mm,平均対称表面差0.98mmであった。
胎児1頭あたり1分未満の計算時間で、正常および変化した胎児大脳皮質の成熟と折り畳みに関する大規模な研究を促進・促進することができる。
関連論文リスト
- Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
論文 参考訳（メタデータ） (2023-06-20T17:42:30Z) - Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
様々なディープニューラルネットワークモデルの高速化性能を解析する。
我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。
我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
論文 参考訳（メタデータ） (2022-05-02T20:43:14Z) - Learning to segment fetal brain tissue from noisy annotations [6.456673654519456]
自動胎児脳組織分節は、この臨界段階における脳の発達の定量的評価を高めることができる。
深層学習法は、医用画像のセグメンテーションにおける最先端の手法であり、また脳セグメンテーションにおける印象的な成果も達成している。
しかし、このタスクを実行するためのディープラーニングモデルの効果的なトレーニングには、一過性胎児脳構造の急速な発達を表すために、多数のトレーニングイメージが必要である。
論文 参考訳（メタデータ） (2022-03-25T21:22:24Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Segmentation of the cortical plate in fetal brain MRI with a topological
loss [0.22369578015657957]
本研究では,大脳皮質プレートの深層学習に基づくセグメンテーションの形態的整合性を高めるために,トポロジカル制約の統合を新たな損失関数として初めて提案する。
妊娠21週から38週の胎児脳腺腫18例について定量的に検討し,全妊娠年齢で有意な有意な有意な効果を示した。
論文 参考訳（メタデータ） (2020-10-23T13:25:45Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - Local semi-supervised approach to brain tissue classification in child
brain MRI [0.0]
小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。
本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。
本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
論文 参考訳（メタデータ） (2020-05-20T06:43:41Z) - 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) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳（メタデータ） (2020-01-14T22:55:03Z)
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。