論文の概要: MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation

• arxiv url: http://arxiv.org/abs/2103.13314v1
• Date: Sun, 21 Mar 2021 18:35:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 14:08:47.433033
• Title: MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation
• Title（参考訳）: MONAIfbs: monAIを用いた胎児脳MRIによる深層学習
• Authors: Marta B.M. Ranzini, Lucas Fidon, S\'ebastien Ourselin, Marc Modat and Tom Vercauteren
• Abstract要約: MONAIfbsと呼ばれる胎児脳のセグメンテーションのための新しいツールを提案する。 これは、人工知能のための医療オープンネットワーク(MONAI)フレームワークを利用しています。
• 参考スコア（独自算出の注目度）: 2.929796807333766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In fetal Magnetic Resonance Imaging, Super Resolution Reconstruction (SRR) algorithms are becoming popular tools to obtain high-resolution 3D volume reconstructions from low-resolution stacks of 2D slices, acquired at different orientations. To be effective, these algorithms often require accurate segmentation of the region of interest, such as the fetal brain in suspected pathological cases. In the case of Spina Bifida, Ebner, Wang et al. (NeuroImage, 2020) combined their SRR algorithm with a 2-step segmentation pipeline (2D localisation followed by a 2D segmentation network). However, if the localisation step fails, the second network is not able to recover a correct brain mask, thus requiring manual corrections for an effective SRR. In this work, we aim at improving the fetal brain segmentation for SRR in Spina Bifida. We hypothesise that a well-trained single-step UNet can achieve accurate performance, avoiding the need of a 2-step approach. We propose a new tool for fetal brain segmentation called MONAIfbs, which takes advantage of the Medical Open Network for Artificial Intelligence (MONAI) framework. Our network is based on the dynamic UNet (dynUNet), an adaptation of the nnU-Net framework. When compared to the original 2-step approach proposed in Ebner-Wang, and the same Ebner-Wang approach retrained with the expanded dataset available for this work, the dynUNet showed to achieve higher performance using a single step only. It also showed to reduce the number of outliers, as only 28 stacks obtained Dice score less than 0.9, compared to 68 for Ebner-Wang and 53 Ebner-Wang expanded. The proposed dynUNet model thus provides an improvement of the state-of-the-art fetal brain segmentation techniques, reducing the need for manual correction in automated SRR pipelines. Our code and our trained model are made publicly available at https://github.com/gift-surg/MONAIfbs.
• Abstract（参考訳）: 胎児磁気共鳴イメージングでは、2次元スライスの低分解能スタックから高分解能3次元ボリューム再構成を得るために,超分解能再構成(SRR)アルゴリズムが普及している。 効果的に、これらのアルゴリズムは、しばしば、疑わしい病理症例において、胎児の脳のような興味のある領域の正確な分割を必要とする。 Spina Bifida, Ebner, Wang et al。 (NeuroImage, 2020)はSRRアルゴリズムと2ステップセグメンテーションパイプライン(2Dローカライゼーションと2Dセグメンテーションネットワーク)を組み合わせた。 しかし、ローカライズステップが失敗すると、第2のネットワークは正しいブレインマスクを回収できないため、効果的なsrrを手動で修正する必要がある。 本研究では,Spina BifidaにおけるSRRの胎児脳セグメンテーションの改善を目的とした。 我々は、2段階のアプローチを必要とせず、訓練された単一ステップのunetが正確な性能を達成することができると仮定する。 本研究では,monaifbs(medical open network for artificial intelligence)フレームワークを利用した胎児脳セグメンテーションのための新しいツールを提案する。 我々のネットワークは、nnU-Netフレームワークの適応である動的UNet(dynUNet)に基づいている。 Ebner-Wangで提案された2段階のアプローチと、この作業で利用可能な拡張データセットで再トレーニングされたEbner-Wangアプローチを比較すると、dynUNetは単一のステップのみを使用してより高いパフォーマンスを実現することを示した。 また、Ebner-Wang と 53 Ebner-Wang が拡張したのに対し、Dice のスコアは 0.9 未満の28個のスタックしか得られなかったため、外れ値の減少も示された。 提案するdynunetモデルは胎児脳の分節技術を改良し,自動srrパイプラインにおける手作業による補正の必要性を低減した。 私たちのコードとトレーニングされたモデルはhttps://github.com/gift-surg/MONAIfbs.comで公開されています。

関連論文リスト

• LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
  最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。 本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。 LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
  論文  参考訳（メタデータ） (2024-07-13T16:09:45Z)
• Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
  本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-24T07:51:50Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
  半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。 まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。 その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T02:57:14Z)
• Optimization of Residual Convolutional Neural Network for Electrocardiogram Classification [0.9281671380673306]
  本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。 第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。 2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
  論文  参考訳（メタデータ） (2021-12-11T16:52:23Z)
• Revisiting Recursive Least Squares for Training Deep Neural Networks [10.44340837533087]
  再帰最小二乗法(RLS)アルゴリズムは、その高速収束のため、かつては小規模ニューラルネットワークのトレーニングに広く用いられていた。 従来のRSSアルゴリズムは、計算複雑性が高く、事前条件が多すぎるため、ディープニューラルネットワーク(DNN)のトレーニングには適さない。 本稿では,フィードフォワードニューラルネットワーク,畳み込みニューラルネットワーク,リカレントニューラルネットワークの3つの新しいRSS最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-07T17:43:51Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation [5.161531917413708]
  CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 CSA-DPUNetは15.31%、7.2%、7.2%、11.8%、9.5%のDice係数、P、R、F1をそれぞれ改善している。
  論文  参考訳（メタデータ） (2020-11-04T08:01:19Z)
• Unsupervised Adaptive Neural Network Regularization for Accelerated Radial Cine MRI [3.6280929178575994]
  本研究では,浅部畳み込みニューラルネットワークの非教師なし学習に基づく2次元放射状シネMRIの反復的再構成手法を提案する。 ネットワークは、再構築中の解の現在の推定値のパッチを近似するように訓練される。
  論文  参考訳（メタデータ） (2020-02-10T14:47:20Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。