論文の概要: Bayesian convolutional neural network based MRI brain extraction on nonhuman primates

• arxiv url: http://arxiv.org/abs/2005.08460v1
• Date: Mon, 18 May 2020 05:08:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 00:14:40.832357
• Title: Bayesian convolutional neural network based MRI brain extraction on nonhuman primates
• Title（参考訳）: ベイジアン畳み込みニューラルネットワークを用いた非ヒト霊長類のmri脳抽出
• Authors: Gengyan Zhao, Fang Liu, Jonathan A. Oler, Mary E. Meyerand, Ned H. Kalin and Rasmus M. Birn
• Abstract要約: 最近の自動脳抽出法はヒトの脳に良い結果をもたらすが、ヒト以外の霊長類には満足できない。 深部ベイズ畳み込みニューラルネットワーク(CNN)と完全連結3次元条件付きランダムフィールド(CRF)を組み合わせた完全自動脳抽出パイプラインを提案する。 提案手法は,100個の非ヒト霊長類のT1w画像からなる手動脳抽出データセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 2.2182171526013774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain extraction or skull stripping of magnetic resonance images (MRI) is an essential step in neuroimaging studies, the accuracy of which can severely affect subsequent image processing procedures. Current automatic brain extraction methods demonstrate good results on human brains, but are often far from satisfactory on nonhuman primates, which are a necessary part of neuroscience research. To overcome the challenges of brain extraction in nonhuman primates, we propose a fully-automated brain extraction pipeline combining deep Bayesian convolutional neural network (CNN) and fully connected three-dimensional (3D) conditional random field (CRF). The deep Bayesian CNN, Bayesian SegNet, is used as the core segmentation engine. As a probabilistic network, it is not only able to perform accurate high-resolution pixel-wise brain segmentation, but also capable of measuring the model uncertainty by Monte Carlo sampling with dropout in the testing stage. Then, fully connected 3D CRF is used to refine the probability result from Bayesian SegNet in the whole 3D context of the brain volume. The proposed method was evaluated with a manually brain-extracted dataset comprising T1w images of 100 nonhuman primates. Our method outperforms six popular publicly available brain extraction packages and three well-established deep learning based methods with a mean Dice coefficient of 0.985 and a mean average symmetric surface distance of 0.220 mm. A better performance against all the compared methods was verified by statistical tests (all p-values<10-4, two-sided, Bonferroni corrected). The maximum uncertainty of the model on nonhuman primate brain extraction has a mean value of 0.116 across all the 100 subjects...
• Abstract（参考訳）: 磁気共鳴画像(MRI)の頭蓋骨抽出は神経画像研究において重要なステップであり、その精度はその後の画像処理手順に大きく影響を与える。 現在の自動脳抽出法は人間の脳に良い結果をもたらすが、神経科学研究の必須部分である非ヒト霊長類には満足できないことが多い。 非ヒト霊長類における脳抽出の課題を克服するために,深部ベイズ畳み込みニューラルネットワーク(CNN)と完全連結3次元条件付きランダムフィールド(CRF)を組み合わせた完全自動脳抽出パイプラインを提案する。 ディープベイズCNN、ベイズセグネットはコアセグメンテーションエンジンとして使用されている。 確率ネットワークとして,精度の高い高解像度画素単位の脳セグメンテーションを行うだけでなく,モンテカルロサンプリングによるモデルの不確かさをテスト段階で測定することができる。 次に、完全連結3d crfを用いて、脳体積の3dコンテキスト全体において、ベイズセグネットの確率結果を精錬する。 提案手法は,100個のヒト霊長類のT1w画像からなる手動脳抽出データセットを用いて評価した。 平均ダイス係数0.985,平均対称表面距離0.220mmの3つの高定値深層学習法と6つの一般的な脳抽出パッケージを上回った。 比較したすべての手法に対して優れた性能を統計的に検証した(p値<10-4, 両側, ボンフェロニ補正)。 非ヒト霊長類の脳抽出におけるモデルの最大不確かさは、100人中平均値0.116である。

関連論文リスト

• Search Wide, Focus Deep: Automated Fetal Brain Extraction with Sparse Training Data [1.0252723257176566]
  本稿では,スパースな合成ラベルで訓練されたネットワークにおいて,偽陽性を低減するテストタイム戦略を提案する。 我々は、少数の胎児脳ラベルマップから得られた合成画像を用いて、異なるウィンドウサイズでモデルを訓練する。 本研究の枠組みは, トリメスター胎児のHASTE検査における最先端脳抽出法と一致した。
  論文  参考訳（メタデータ） (2024-10-27T17:54:01Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
  アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。 本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
  論文  参考訳（メタデータ） (2024-06-20T11:26:32Z)
• Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
  本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-24T07:51:50Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
  脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。 本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。 本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
  論文  参考訳（メタデータ） (2021-04-04T20:30:14Z)
• Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks [0.45077088620792216]
  脳の磁気共鳴イメージング(MRI)データに基づく年齢予測は、脳疾患や老化の進行を定量化するバイオマーカーである。 現在のアプローチでは、voxelを標準化された脳アトラスに登録するなど、複数の前処理ステップでデータを準備する。 ここでは、ResNetアーキテクチャに基づく3D Convolutional Neural Network(CNN)について、未登録のT1重み付きMRIデータに基づいてトレーニングします。
  論文  参考訳（メタデータ） (2021-03-22T09:48:34Z)
• 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)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。