論文の概要: Multi-modal segmentation of 3D brain scans using neural networks
- arxiv url: http://arxiv.org/abs/2008.04594v1
- Date: Tue, 11 Aug 2020 09:13:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:22:53.758300
- Title: Multi-modal segmentation of 3D brain scans using neural networks
- Title（参考訳）: ニューラルネットワークを用いた3次元脳スキャンのマルチモーダルセグメンテーション
- Authors: Jonathan Zopes, Moritz Platscher, Silvio Paganucci, Christian Federau
- Abstract要約: 深部畳み込みニューラルネットワークは、3D MRI(MPRAGE, DWI, FLAIR)とCTスキャンのセグメンテーションのために訓練される。
セグメンテーションの質は、合計27の解剖学的構造に対してディース計量を用いて定量化される。
- 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: Purpose: To implement a brain segmentation pipeline based on convolutional
neural networks, which rapidly segments 3D volumes into 27 anatomical
structures. To provide an extensive, comparative study of segmentation
performance on various contrasts of magnetic resonance imaging (MRI) and
computed tomography (CT) scans. Methods: Deep convolutional neural networks are
trained to segment 3D MRI (MPRAGE, DWI, FLAIR) and CT scans. A large database
of in total 851 MRI/CT scans is used for neural network training. Training
labels are obtained on the MPRAGE contrast and coregistered to the other
imaging modalities. The segmentation quality is quantified using the Dice
metric for a total of 27 anatomical structures. Dropout sampling is implemented
to identify corrupted input scans or low-quality segmentations. Full
segmentation of 3D volumes with more than 2 million voxels is obtained in less
than 1s of processing time on a graphical processing unit. Results: The best
average Dice score is found on $T_1$-weighted MPRAGE ($85.3\pm4.6\,\%$).
However, for FLAIR ($80.0\pm7.1\,\%$), DWI ($78.2\pm7.9\,\%$) and CT ($79.1\pm
7.9\,\%$), good-quality segmentation is feasible for most anatomical
structures. Corrupted input volumes or low-quality segmentations can be
detected using dropout sampling. Conclusion: The flexibility and performance of
deep convolutional neural networks enables the direct, real-time segmentation
of FLAIR, DWI and CT scans without requiring $T_1$-weighted scans.
- Abstract（参考訳）: 目的:畳み込みニューラルネットワークに基づく脳セグメンテーションパイプラインの実装。3dボリュームを27の解剖学的構造に迅速に分割する。
MRI(MRI)およびCT(CT)スキャンの様々なコントラストにおけるセグメンテーション性能の広範な比較研究を提供する。
方法: 深部畳み込みニューラルネットワークは、3D MRI(MPRAGE, DWI, FLAIR)とCTスキャンのセグメンテーションのために訓練される。
ニューラルネットワークトレーニングには、合計851のMRI/CTスキャンの大規模なデータベースが使用されている。
トレーニングラベルはmprageコントラストで取得され、他の画像モードにコア登録される。
セグメンテーションの質は、合計27の解剖学的構造に対してディース計量を用いて定量化される。
ドロップアウトサンプリングは、破損した入力スキャンや低品質のセグメンテーションを特定するために実装されている。
2百万以上のボクセルを持つ3dボリュームの完全なセグメンテーションは、グラフィカルな処理ユニット上で1秒未満の処理時間で得られる。
結果: Dice の平均スコアは$T_1$-weighted MPRAGE (85.3\pm4.6\,\%$)である。
しかし、FLAIR (80.0\pm7.1\,\%$)、DWI (78.2\pm7.9\,\%$)、CT (79.1\pm7.9\,\%$) では、ほとんどの解剖学的構造に対して良質なセグメンテーションが実現可能である。
故障した入力ボリュームや低品質セグメンテーションは、ドロップアウトサンプリングを用いて検出できる。
結論: 深層畳み込みニューラルネットワークの柔軟性と性能により、FLAIR、DWI、CTスキャンを直接リアルタイムに分割でき、T_1$-weightedスキャンを必要としない。
関連論文リスト
- Multimodal 3D Brain Tumor Segmentation with Adversarial Training and Conditional Random Field [44.027635932094064]
正確なセグメンテーションのためのマルチモーダル3次元ボリューム生成適応ネットワーク(3D-vGAN)を提案する。
このモデルは、Pseudo-3DをV-netの改良に利用し、生成後の条件付きランダムフィールドを追加し、元のイメージを補助的なガイダンスとして利用する。
BraTS-2018データセットによる結果は、3D-vGANがU-net、Gan、FCN、および3D V-netなどの古典的セグメンテーションモデルより優れており、99.8%以上に達したことを示している。
論文 参考訳（メタデータ） (2024-11-21T18:52:02Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳（メタデータ） (2022-06-14T03:25:58Z) - 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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。
本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。
さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
論文 参考訳（メタデータ） (2021-09-03T09:27:07Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - MixNet: Multi-modality Mix Network for Brain Segmentation [8.44876865136712]
MixNetは2Dのセマンティックワイド・ディープ畳み込みニューラルネットワークで、MRI画像の脳構造を分割する。
MixNetv2はMICCAI 2018でMRBrainSチャレンジに応募し、3ラベルタスクで3位を獲得した。
論文 参考訳（メタデータ） (2020-04-21T08:55:55Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。