論文の概要: Longitudinal diffusion MRI analysis using Segis-Net: a single-step
deep-learning framework for simultaneous segmentation and registration
- arxiv url: http://arxiv.org/abs/2012.14230v1
- Date: Mon, 28 Dec 2020 13:48:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 11:10:03.326675
- Title: Longitudinal diffusion MRI analysis using Segis-Net: a single-step
deep-learning framework for simultaneous segmentation and registration
- Title（参考訳）: segis-netを用いた経時的拡散mri解析 : 同時セグメンテーションと登録のための1ステップディープラーニングフレームワーク
- Authors: Bo Li, Wiro J. Niessen, Stefan Klein, Marius de Groot, M. Arfan Ikram,
Meike W. Vernooij, Esther E. Bron
- Abstract要約: Segis-Netは、縦方向の画像分析のためのシングルステップディープラーニングフレームワークです。
高齢者3249名のn045縦型脳データから,segis-netを用いて白質路の解析を行った。
- 参考スコア（独自算出の注目度）: 10.548643411475584
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work presents a single-step deep-learning framework for longitudinal
image analysis, coined Segis-Net. To optimally exploit information available in
longitudinal data, this method concurrently learns a multi-class segmentation
and nonlinear registration. Segmentation and registration are modeled using a
convolutional neural network and optimized simultaneously for their mutual
benefit. An objective function that optimizes spatial correspondence for the
segmented structures across time-points is proposed. We applied Segis-Net to
the analysis of white matter tracts from N=8045 longitudinal brain MRI datasets
of 3249 elderly individuals. Segis-Net approach showed a significant increase
in registration accuracy, spatio-temporal segmentation consistency, and
reproducibility comparing with two multistage pipelines. This also led to a
significant reduction in the sample-size that would be required to achieve the
same statistical power in analyzing tract-specific measures. Thus, we expect
that Segis-Net can serve as a new reliable tool to support longitudinal imaging
studies to investigate macro- and microstructural brain changes over time.
- Abstract（参考訳）: 本稿では,縦型画像解析のための一段階ディープラーニングフレームワークsegis-netについて述べる。
縦断データに利用可能な情報を最適に活用するために、マルチクラスセグメンテーションと非線形登録を同時に学習する。
セグメンテーションと登録は畳み込みニューラルネットワークを用いてモデル化され、相互利益のために同時に最適化される。
時間点を越えたセグメント構造に対する空間対応を最適化する目的関数を提案する。
高齢者3249名のn=8045縦型脳mriデータから,segis-netを用いて白質路の解析を行った。
Segis-Netアプローチは2つのマルチステージパイプラインと比較して,登録精度,時空間分割整合性,再現性が大きく向上した。
これはまた、トラクション特異的な測定において同じ統計力を達成するために必要とされるサンプルサイズの大幅な削減につながった。
したがって、segis-netは、経時的イメージング研究を支援する新しい信頼できるツールとなり、時間とともに、マクロおよびミクロ組織的脳変化を調査できることを期待している。
関連論文リスト
- Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - 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) - Efficient Global-Local Memory for Real-time Instrument Segmentation of
Robotic Surgical Video [53.14186293442669]
手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。
本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。
本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
論文 参考訳（メタデータ） (2021-09-28T10:10:14Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video
Person Re-Identification [86.73532136686438]
映像人物再識別(reID)のための効率的な時空間表現法を提案する。
空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。
BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
論文 参考訳（メタデータ） (2021-04-30T06:44:34Z) - Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left
Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。
3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
論文 参考訳（メタデータ） (2021-04-26T11:04:43Z) - Temporal Memory Relation Network for Workflow Recognition from Surgical
Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。
我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文 参考訳（メタデータ） (2021-03-30T13:20:26Z) - Bidirectional RNN-based Few Shot Learning for 3D Medical Image
Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。
U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。
異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文 参考訳（メタデータ） (2020-11-19T01:44:55Z) - Learning unbiased group-wise registration (LUGR) and joint segmentation:
evaluation on longitudinal diffusion MRI [9.794231006970854]
グループワイド登録のための非バイアス学習戦略に基づく分析フレームワークを提案する。
提案したフレームワークは、一貫したセグメンテーションと、ペアワイズ固定参照アプローチよりも処理バイアスが著しく低い。
論文 参考訳（メタデータ） (2020-11-03T17:44:15Z) - 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)
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。