論文の概要: Surface Agnostic Metrics for Cortical Volume Segmentation and Regression
- arxiv url: http://arxiv.org/abs/2010.01669v1
- Date: Sun, 4 Oct 2020 19:46:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:31:46.467657
- Title: Surface Agnostic Metrics for Cortical Volume Segmentation and Regression
- Title（参考訳）: 皮質ボリュームセグメンテーションと回帰のための表面積測定値
- Authors: Samuel Budd, Prachi Patkee, Ana Baburamani, Mary Rutherford, Emma C.
Robinson, Bernhard Kainz
- Abstract要約: T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。
結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
- 参考スコア（独自算出の注目度）: 3.1543820811374483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cerebral cortex performs higher-order brain functions and is thus
implicated in a range of cognitive disorders. Current analysis of cortical
variation is typically performed by fitting surface mesh models to inner and
outer cortical boundaries and investigating metrics such as surface area and
cortical curvature or thickness. These, however, take a long time to run, and
are sensitive to motion and image and surface resolution, which can prohibit
their use in clinical settings. In this paper, we instead propose a machine
learning solution, training a novel architecture to predict cortical thickness
and curvature metrics from T2 MRI images, while additionally returning metrics
of prediction uncertainty. Our proposed model is tested on a clinical cohort
(Down Syndrome) for which surface-based modelling often fails. Results suggest
that deep convolutional neural networks are a viable option to predict cortical
metrics across a range of brain development stages and pathologies.
- Abstract（参考訳）: 大脳皮質は高次脳機能を実行するため、様々な認知障害に関与している。
皮質変動の現在の分析は、内部および外側の皮質境界に表面メッシュモデルを適用し、表面積や皮質曲率、厚さなどの指標を調べることで行うのが一般的である。
しかし、これらは実行には長い時間がかかるため、動きや画像、表面の解像度に敏感であり、臨床環境での使用を禁止できる。
本稿では,t2 mri画像から皮質の厚さと曲率を予測し,さらに予測の不確かさの指標を返すための新しいアーキテクチャをトレーニングする機械学習ソリューションを提案する。
提案するモデルは臨床コホート(ダウン症候群)でテストされ,表面モデルはしばしば失敗する。
その結果、深層畳み込みニューラルネットワークは、脳の発達段階や病理全体にわたって皮質メトリックを予測するための有効な選択肢であることが示唆された。
関連論文リスト
- Neural deformation fields for template-based reconstruction of cortical
surfaces from MRI [5.4173776411667935]
本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。
V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。
V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
論文 参考訳（メタデータ） (2024-01-23T17:50:58Z) - Cortical analysis of heterogeneous clinical brain MRI scans for
large-scale neuroimaging studies [2.930354460501359]
皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定など、MRIによるヒトの神経イメージングにおいてユビキタスである。
臨床脳MRI検査における大脳皮質再建, 登録, パーセレーション, 厚み推定法について検討した。
論文 参考訳（メタデータ） (2023-05-02T23:36:06Z) - 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) - Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である
本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。
我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
論文 参考訳（メタデータ） (2022-09-19T11:45:39Z) - Brain Cortical Functional Gradients Predict Cortical Folding Patterns
via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。
実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-05-21T14:08:53Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Predicting Future Cognitive Decline with Hyperbolic Stochastic Coding [0.7637291629898925]
ハイパーボリックコーディング(HSC)と呼ばれる新しいフレームワークを提案する。
予備実験の結果から,様々な分類タスクで優れた結果が得られることが示された。
私たちの仕事は、表面ベースの脳イメージング研究ツールを豊かにし、個々の治療戦略に役立つ診断および予後指標に潜在的に役立ちます。
論文 参考訳（メタデータ） (2021-02-21T04:07:27Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳（メタデータ） (2020-07-20T12:45:38Z)
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。