論文の概要: An automatic multi-tissue human fetal brain segmentation benchmark using the Fetal Tissue Annotation Dataset

• arxiv url: http://arxiv.org/abs/2010.15526v4
• Date: Wed, 7 Jul 2021 12:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-01 23:38:44.177202
• Title: An automatic multi-tissue human fetal brain segmentation benchmark using the Fetal Tissue Annotation Dataset
• Title（参考訳）: Fetal tissue Annotation Datasetを用いたマルチタスクヒト胎児脳セグメンテーションベンチマーク
• Abstract要約: 今回我々は,手動で分類した50個の病的および非病理的胎児磁気共鳴脳容積再構成データベースについて紹介した。 発達するヒト胎児脳の複数の自動多部分割アルゴリズムの精度を定量的に評価した。
• 参考スコア（独自算出の注目度）: 10.486148937249837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is critical to quantitatively analyse the developing human fetal brain in order to fully understand neurodevelopment in both normal fetuses and those with congenital disorders. To facilitate this analysis, automatic multi-tissue fetal brain segmentation algorithms are needed, which in turn requires open databases of segmented fetal brains. Here we introduce a publicly available database of 50 manually segmented pathological and non-pathological fetal magnetic resonance brain volume reconstructions across a range of gestational ages (20 to 33 weeks) into 7 different tissue categories (external cerebrospinal fluid, grey matter, white matter, ventricles, cerebellum, deep grey matter, brainstem/spinal cord). In addition, we quantitatively evaluate the accuracy of several automatic multi-tissue segmentation algorithms of the developing human fetal brain. Four research groups participated, submitting a total of 10 algorithms, demonstrating the benefits the database for the development of automatic algorithms.
• Abstract（参考訳）: 発達するヒト胎児の脳を定量的に分析し、正常な胎児と先天性疾患の双方の神経発達を十分に理解することが重要である。 この分析を容易にするために、自動マルチタスク胎児脳セグメント化アルゴリズムが必要であり、その結果、セグメント化された胎児脳のオープンデータベースが必要である。 ここでは,50個の手作業による病的および非病理的胎児磁気共鳴脳容積のデータベースを,生後20～33週間の様々な組織(外脳脊髄液,灰白質,白質,腹室,小脳,深部灰白質,脳幹/脊髄)に分類した。 さらに、発達するヒト胎児脳の複数の自動多部分割アルゴリズムの精度を定量的に評価した。 4つの研究グループが参加し、合計10のアルゴリズムを提出し、自動アルゴリズム開発のためのデータベースの利点を実証した。

関連論文リスト

• SeekBrain: An Autonomous Multi-Agent System for Accelerating Neuroscience Discovery [70.26731349963639]
  SeekBrainは、ドメイン基底の階層的計画とクロスモーダルデータ分析を通じて神経科学の発見を加速するように設計されたフレームワークである。 この体系化された専門知識とエージェント計画と実行エンジンを結合することにより、このフレームワークは需要に応じて仮説と分析パイプラインを確実に生成する。 これらの結果は、SeekBrainを、神経科学におけるデータ駆動的な発見を加速するためのスケーラブルで実用的なツールとして確立している。
  論文  参考訳（メタデータ） (2026-07-31T12:30:12Z)
• Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos [58.71502465551297]
  MICCAI 2024と共同でIUGC(Intrapartum Ultrasound Grand Challenge)が打ち上げられた。 IUGCは、標準的な平面分類、胎児の頭頂部生理的セグメンテーション、バイオメトリーを統合した、臨床指向のマルチタスク自動測定フレームワークを導入している。 この課題は、これまでに3つの病院から収集された774のビデオ(68,106フレーム)を含む、最大規模のマルチセンターの超音波ビデオデータセットをリリースしている。
  論文  参考訳（メタデータ） (2026-02-13T13:28:22Z)
• Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
  本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。 このフレームワークは、直接登録モデルと条件判別器を組み合わせる。 妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
  論文  参考訳（メタデータ） (2025-08-06T15:07:39Z)
• Detailed delineation of the fetal brain in diffusion MRI via multi-task learning [5.261252388770444]
  我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。 これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
  論文  参考訳（メタデータ） (2024-08-26T13:51:04Z)
• 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)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• FetMRQC: a robust quality control system for multi-centric fetal brain MRI [33.08151493899017]
  本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。 FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。 我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2023-11-08T15:59:41Z)
• Fetal-BET: Brain Extraction Tool for Fetal MRI [4.214523989654048]
  約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。 このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。 本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
  論文  参考訳（メタデータ） (2023-10-02T18:14:23Z)
• Fetal Brain Tissue Annotation and Segmentation Challenge Results [35.575646854499716]
  In-utero fetal MRIは、発達するヒト脳の診断と解析において重要なツールとして浮上している。 我々は2021年に組織胎児(FeTA)チャレンジを組織し,自動セグメンテーションアルゴリズムの開発を奨励した。 本稿では,臨床と臨床の両方の観点から,その結果を詳細に分析する。
  論文  参考訳（メタデータ） (2022-04-20T16:14:43Z)
• Synthetic magnetic resonance images for domain adaptation: Application to fetal brain tissue segmentation [0.0]
  FaBiANを用いて、胎児の脳の様々な現実的な磁気共鳴画像と、そのクラスラベルをシミュレートする。 本研究では,これらの合成アノテートデータを低コストで生成し,さらにターゲット超解像法を用いて再構成することにより,深層学習手法のドメイン適応に成功できることを実証する。 全体として、特に皮質灰白質、白質、小脳、深い灰白質、脳幹において、セグメンテーションの精度が著しく向上する。
  論文  参考訳（メタデータ） (2021-11-08T13:22:14Z)
• 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)
• Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
  iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。 執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。 私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
  論文  参考訳（メタデータ） (2020-07-04T13:39:48Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• 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。