論文の概要: Local semi-supervised approach to brain tissue classification in child
brain MRI
- arxiv url: http://arxiv.org/abs/2005.09871v1
- Date: Wed, 20 May 2020 06:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 05:59:41.161659
- Title: Local semi-supervised approach to brain tissue classification in child
brain MRI
- Title（参考訳）: 小児脳MRIにおける脳組織分類の局所的半教師的アプローチ
- Authors: Nataliya Portman, Paule-J Toussaint, Alan C. Evans (McConnell Brain
Imaging Centre, Montreal Neurological Institute, McGill University, Montreal,
QC, Canada)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most segmentation methods in child brain MRI are supervised and are based on
global intensity distributions of major brain structures. The successful
implementation of a supervised approach depends on availability of an
age-appropriate probabilistic brain atlas. For the study of early normal brain
development, the construction of such a brain atlas remains a significant
challenge. Moreover, using global intensity statistics leads to inaccurate
detection of major brain tissue classes due to substantial intensity variations
of MR signal within the constituent parts of early developing brain. In order
to overcome these methodological limitations we develop a local,
semi-supervised framework. It is based on Kernel Fisher Discriminant Analysis
(KFDA) for pattern recognition, combined with an objective structural
similarity index (SSIM) for perceptual image quality assessment. The proposed
method performs optimal brain partitioning into subdomains having different
average intensity values followed by SSIM-guided computation of separating
surfaces between the constituent brain parts. The classified image subdomains
are then stitched slice by slice via simulated annealing to form a global image
of the classified brain. In this paper, we consider classification into major
tissue classes (white matter and grey matter) and the cerebrospinal fluid and
illustrate the proposed framework on examples of brain templates for ages 8 to
11 months and ages 44 to 60 months. We show that our method improves detection
of the tissue classes by its comparison to state-of-the-art classification
techniques known as Partial Volume Estimation.
- Abstract（参考訳）: 小児脳mriのほとんどのセグメンテーション法は監視され、主要な脳構造のグローバルな強度分布に基づいている。
教師付きアプローチの成功は、年齢に応じた確率的脳アトラスの有効性に依存する。
初期の正常な脳の発達の研究において、そのような脳のアトラスの構築は重要な課題である。
さらに、大域的強度統計を用いて、発達初期の脳を構成する部分におけるmr信号のかなりの強度変化により、主要な脳組織クラスが不正確な検出に繋がる。
これらの方法論的制約を克服するために,局所的な半教師付きフレームワークを開発する。
パターン認識のためのkernel fisher discriminant analysis(kfda)と、知覚的画像品質評価のためのobjective structure similarity index(ssim)を組み合わせたものである。
提案手法は, 平均強度値の異なるサブドメインに最適な脳分割を行い, 続いて構成脳部分間の表面分離のSSIM誘導計算を行う。
分類された画像サブドメインは、シミュレートされたアニーリングによってスライスされ、分類された脳の全体像を形成する。
本稿では,脳脊髄液を主組織(白質と灰白質)と脳脊髄液(脳脊髄液)に分類し,8歳から11ヶ月,44歳から60ヶ月の脳テンプレートの例を示す。
本手法は, 部分体積推定法として知られる最先端の分類手法との比較により, 組織クラスの検出性が向上することを示す。
関連論文リスト
- 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) - CINA: Conditional Implicit Neural Atlas for Spatio-Temporal
Representation of Fetal Brains [10.512435553279346]
CINAは胎児の脳の一般的な表現を学び、被検体固有の情報を潜伏コードにエンコードする。
トレーニング後、CINAは胎児の脳の組織確率マップを持つ忠実なアトラスを構築することができる。
CINAは、神経型脳と心室筋腫を有する病理性脳に対して優れた精度を示す。
論文 参考訳（メタデータ） (2024-03-13T14:02:42Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning [0.0]
Segment Anything Model (SAM)は、より正確で堅牢で汎用的なツールとして、幅広い脳の抽出とセグメンテーションの応用の可能性を秘めている。
我々はSAMを、様々な画像品質、MR配列、脳の病変が異なる脳領域に影響を及ぼす様々な脳スキャンにおいて、BETと呼ばれる、広く使われている現在の金の標準技術と比較した。
論文 参考訳（メタデータ） (2023-04-10T17:50:52Z) - 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) - CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal
MRI [10.127399319119911]
本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。
提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
論文 参考訳（メタデータ） (2022-05-17T11:23:02Z) - Brain Structural Saliency Over The Ages [0.41998444721319217]
524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。
老化過程を通じて異なる脳領域への関連性の変化を示す。
地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
論文 参考訳（メタデータ） (2022-01-12T09:50:29Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - 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)
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。