論文の概要: A Contrast-Adaptive Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis

• arxiv url: http://arxiv.org/abs/2005.05135v2
• Date: Fri, 16 Oct 2020 14:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:12:17.089810
• Title: A Contrast-Adaptive Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis
• Title（参考訳）: 多発性硬化症における全脳・病変同時分離のコントラスト適応法
• Authors: Stefano Cerri, Oula Puonti, Dominik S. Meier, Jens Wuerfel, Mark M\"uhlau, Hartwig R. Siebner, Koen Van Leemput
• Abstract要約: MRIによる白質病変と正常に出現する神経解剖学的構造を同時分離する方法を提案する。 この方法は、白質病変の新しいモデルと、以前に検証された全脳セグメンテーションの生成モデルを統合する。
• 参考スコア（独自算出の注目度）: 0.15833270109954134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Here we present a method for the simultaneous segmentation of white matter lesions and normal-appearing neuroanatomical structures from multi-contrast brain MRI scans of multiple sclerosis patients. The method integrates a novel model for white matter lesions into a previously validated generative model for whole-brain segmentation. By using separate models for the shape of anatomical structures and their appearance in MRI, the algorithm can adapt to data acquired with different scanners and imaging protocols without retraining. We validate the method using four disparate datasets, showing robust performance in white matter lesion segmentation while simultaneously segmenting dozens of other brain structures. We further demonstrate that the contrast-adaptive method can also be safely applied to MRI scans of healthy controls, and replicate previously documented atrophy patterns in deep gray matter structures in MS. The algorithm is publicly available as part of the open-source neuroimaging package FreeSurfer.
• Abstract（参考訳）: 多発性硬化症患者のマルチコントラスト脳MRIによる白質病変の同時分画法と正常に出現する神経解剖学的構造について検討した。 この方法は、白質病変の新しいモデルと、前述した全脳セグメンテーションの生成モデルを統合する。 解剖学的構造の形状とMRIでの外観の別々のモデルを使用することで、アルゴリズムは異なるスキャナーとイメージングプロトコルで取得したデータに適応することができる。 本手法は4つの異なるデータセットを用いて検証し,白質病変のセグメンテーションにおける頑健な性能を示すとともに,他の脳構造を同時にセグメンテーションする。 さらに、このコントラスト適応法は、健康な制御のMRIスキャンにも安全に適用でき、MSの深い灰白質構造に予め記録された萎縮パターンを再現することができることを実証した。

関連論文リスト

• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• 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)
• An Open-Source Tool for Longitudinal Whole-Brain and White Matter Lesion Segmentation [0.15833270109954134]
  マルチコントラストデータの処理と白質病変の画像の堅牢な解析が可能な,既存の全脳セグメンテーション手法を構築した。 本手法は, セグメンテーション結果間の時間的一貫性を助長する主観的潜在変数を用いて拡張する。 本手法はアルツハイマー病と多発性硬化症に苦しむコントロール対象と患者を複数データセットで比較検討した。
  論文  参考訳（メタデータ） (2022-07-10T20:42:12Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。