論文の概要: Automated Claustrum Segmentation in Human Brain MRI Using Deep Learning
- arxiv url: http://arxiv.org/abs/2008.03465v2
- Date: Thu, 26 Aug 2021 09:30:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 12:14:13.104469
- Title: Automated Claustrum Segmentation in Human Brain MRI Using Deep Learning
- Title（参考訳）: 深層学習を用いたヒト脳MRIにおける鎖骨分割の自動化
- Authors: Hongwei Li, Aurore Menegaux, Benita Schmitz-Koep, Antonia Neubauer,
Felix JB B\"auerlein, Suprosanna Shit, Christian Sorg, Bjoern Menze and
Dennis Hedderich
- Abstract要約: 本稿では,T1強調MRIにおけるクラスラム分割のための多視点Deep Learningに基づくアプローチを提案する。
両手指節アノテーションを基準基準とした181名を対象に,提案手法の訓練と評価を行った。
クロスバリデーション実験では、中央値のボリュームの類似性、堅牢なハウスドルフ距離、Diceスコアはそれぞれ93.3%、 1.41mm、71.8%となり、ヒトのラジオ内信頼性と同等または優れたセグメンテーション性能を示した。
- 参考スコア（独自算出の注目度）: 3.263309103832064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last two decades, neuroscience has produced intriguing evidence for a
central role of the claustrum in mammalian forebrain structure and function.
However, relatively few in vivo studies of the claustrum exist in humans. A
reason for this may be the delicate and sheet-like structure of the claustrum
lying between the insular cortex and the putamen, which makes it not amenable
to conventional segmentation methods. Recently, Deep Learning (DL) based
approaches have been successfully introduced for automated segmentation of
complex, subcortical brain structures. In the following, we present a
multi-view DL-based approach to segment the claustrum in T1-weighted MRI scans.
We trained and evaluated the proposed method in 181 individuals, using
bilateral manual claustrum annotations by an expert neuroradiologist as the
reference standard. Cross-validation experiments yielded median volumetric
similarity, robust Hausdorff distance, and Dice score of 93.3%, 1.41mm, and
71.8%, respectively, representing equal or superior segmentation performance
compared to human intra-rater reliability. The leave-one-scanner-out evaluation
showed good transferability of the algorithm to images from unseen scanners at
slightly inferior performance. Furthermore, we found that DL-based claustrum
segmentation benefits from multi-view information and requires a sample size of
around 75 MRI scans in the training set. We conclude that the developed
algorithm allows for robust automated claustrum segmentation and thus yields
considerable potential for facilitating MRI-based research of the human
claustrum. The software and models of our method are made publicly available.
- Abstract（参考訳）: 過去20年間、神経科学は哺乳類の前脳の構造と機能においてクラウストラムの中心的な役割を示す興味深い証拠を生み出してきた。
しかし、ヒトには比較的少ないin vivoでのクラウストラムの研究が存在する。
この理由の一つとして、視床皮質と被膜の間にある鎖骨の繊細でシート状の構造が考えられるため、従来の分節法では使用できない。
近年、深層学習(DL)に基づくアプローチが、複雑な皮質下脳構造の自動セグメンテーションに成功している。
以下に、T1強調MRIスキャンで鎖骨を分割する多視点DLに基づくアプローチを提案する。
専門家神経放射線科医による両側手指節アノテーションを基準基準として181名を対象に,提案手法の訓練と評価を行った。
クロスバリデーション実験では、中央値の体積類似性、頑健なハウスドルフ距離、サイススコアはそれぞれ93.3%、1.41mm、71.8%となり、ヒトのレート内信頼性と同等または優れたセグメンテーション性能を示した。
scanner-out評価の結果,未検出スキャナからの画像へのアルゴリズムの転送性は若干劣ることがわかった。
さらに,多視点情報からDLをベースとしたクラストラムセグメンテーションの利点が得られ,トレーニングセットに約75個のMRIスキャンのサンプルサイズを必要とすることがわかった。
提案アルゴリズムは,ヒトの鎖骨に対するMRIによる研究を円滑に進める上で,有意な有意な可能性を秘めている。
この手法のソフトウェアとモデルは公開されています。
関連論文リスト
- Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics [0.6820272276959313]
本研究は,MedNeXtを用いたBraTS-2024 SSAおよび小児腫瘍のセグメンテーション法について述べる。
提案手法は,BraTS-2024 SSAデータセットでは平均Dice similarity Coefficient(DSC)が0.896,BraTS小児腫瘍データセットでは平均DSCが0.830であった。
論文 参考訳（メタデータ） (2024-11-24T15:19:19Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Region-based U-net for accelerated training and enhanced precision in deep brain segmentation [0.9874634324357792]
本稿では,12の深層脳構造に対する深層学習に基づくセグメンテーション手法を提案する。
提案手法は平均Dice similarity Coefficient (DSC) 0.901, 95% Hausdorff Distance (HD95) 1.155mmの精度で得られた。
論文 参考訳（メタデータ） (2024-03-14T14:04:29Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳（メタデータ） (2022-11-10T00:04:46Z) - Deep Superpixel Generation and Clustering for Weakly Supervised
Segmentation of Brain Tumors in MR Images [0.0]
本研究は、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。
われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。
提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
論文 参考訳（メタデータ） (2022-09-20T18:08:34Z) - Nested-block self-attention for robust radiotherapy planning
segmentation [3.2541650155921142]
深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。
定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。
我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
論文 参考訳（メタデータ） (2021-02-26T15:28:47Z) - 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) - 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) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。