論文の概要: SynthSeg: Domain Randomisation for Segmentation of Brain MRI Scans of
any Contrast and Resolution
- arxiv url: http://arxiv.org/abs/2107.09559v1
- Date: Tue, 20 Jul 2021 15:22:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 14:51:05.089082
- Title: SynthSeg: Domain Randomisation for Segmentation of Brain MRI Scans of
any Contrast and Resolution
- Title（参考訳）: synthseg: コントラストと解像度の脳mriスキャンのセグメンテーションのための領域ランダム化
- Authors: Benjamin Billot, Douglas N. Greve, Oula Puonti, Axel Thielscher, Koen
Van Leemput, Bruce Fischl, Adrian V. Dalca, Juan Eugenio Iglesias
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、目に見えないターゲットドメインに一般化するのが困難である。
コントラストと解像度の脳MRIスキャンに最初のセグメンテーションCNNであるSynthSegを導入する。
6つのモダリティと10の解像度の5,500のスキャンでSynthSegを実証し、非並列な一般化を示す。
- 参考スコア（独自算出の注目度）: 7.070890465817133
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite advances in data augmentation and transfer learning, convolutional
neural networks (CNNs) have difficulties generalising to unseen target domains.
When applied to segmentation of brain MRI scans, CNNs are highly sensitive to
changes in resolution and contrast: even within the same MR modality, decreases
in performance can be observed across datasets. We introduce SynthSeg, the
first segmentation CNN agnostic to brain MRI scans of any contrast and
resolution. SynthSeg is trained with synthetic data sampled from a generative
model inspired by Bayesian segmentation. Crucially, we adopt a \textit{domain
randomisation} strategy where we fully randomise the generation parameters to
maximise the variability of the training data. Consequently, SynthSeg can
segment preprocessed and unpreprocessed real scans of any target domain,
without retraining or fine-tuning. Because SynthSeg only requires segmentations
to be trained (no images), it can learn from label maps obtained automatically
from existing datasets of different populations (e.g., with atrophy and
lesions), thus achieving robustness to a wide range of morphological
variability. We demonstrate SynthSeg on 5,500 scans of 6 modalities and 10
resolutions, where it exhibits unparalleled generalisation compared to
supervised CNNs, test time adaptation, and Bayesian segmentation. The code and
trained model are available at https://github.com/BBillot/SynthSeg.
- Abstract（参考訳）: データ拡張と転送学習の進歩にもかかわらず、畳み込みニューラルネットワーク(CNN)は、ターゲットドメインが見えないように一般化するのが困難である。
脳MRIスキャンのセグメンテーションに適用した場合、CNNは解像度とコントラストの変化に非常に敏感である。
コントラストや解像度の脳mriスキャンと無関係な最初のセグメンテーションcnnであるsynthsegを紹介する。
SynthSegはベイジアンセグメンテーションにインスパイアされた生成モデルからサンプリングされた合成データで訓練されている。
重要なことは、トレーニングデータの可変性を最大化するために生成パラメータを完全にランダム化する「textit{ domain randomisation}」戦略を採用する。
その結果、SynthSegは、任意の対象ドメインの事前処理および未処理の実スキャンを、再トレーニングや微調整なしにセグメント化することができる。
シンセグは(画像なし)訓練のみを必要とするため、異なる集団の既存のデータセット(例えば、萎縮症や病変)から自動的に得られるラベルマップから学習することができ、幅広い形態変化にロバスト性をもたらす。
5,500の6モード、10解像度のスキャンでsynthsegを実演し、教師付きcnn、テスト時間適応、ベイズセグメント化と比較した非並列一般化を示す。
コードとトレーニングされたモデルはhttps://github.com/bbillot/synthsegで入手できる。
関連論文リスト
- Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-22T06:16:16Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Robust machine learning segmentation for large-scale analysis of
heterogeneous clinical brain MRI datasets [1.0499611180329802]
異種臨床データセットの堅牢な解析を可能にするAIセグメンテーションスイートであるSynthSeg+を提案する。
具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、欠陥セグメンテーションの自動検出も行う。
われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
論文 参考訳（メタデータ） (2022-09-05T16:09:24Z) - 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) - Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and
no Retraining [1.0499611180329802]
クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。
画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。
一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。
条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
論文 参考訳（メタデータ） (2022-03-03T19:18:28Z) - Improving Across-Dataset Brain Tissue Segmentation Using Transformer [10.838458766450989]
本研究では,脳組織セグメンテーションのための新しいCNN-Transformerハイブリッドアーキテクチャを提案する。
我々は、4つのマルチサイトT1w MRIデータセットでモデルの性能を検証する。
論文 参考訳（メタデータ） (2022-01-21T15:16:39Z) - nnFormer: Interleaved Transformer for Volumetric Segmentation [50.10441845967601]
本稿では,自己意図と畳み込みを実証的に組み合わせた,インターリーブアーキテクチャを備えた強力なセグメンテーションモデルであるnnFormerを紹介する。
nnFormerは、SynapseとACDCの2つの一般的なデータセットで、以前のTransformerベースのメソッドよりも大幅に改善されている。
論文 参考訳（メタデータ） (2021-09-07T17:08:24Z) - 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) - Spherical coordinates transformation pre-processing in Deep Convolution
Neural Networks for brain tumor segmentation in MRI [0.0]
深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。
DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。
本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
論文 参考訳（メタデータ） (2020-08-17T05:11:05Z) - A Learning Strategy for Contrast-agnostic MRI Segmentation [8.264160978159634]
我々は、非前処理脳MRIスキャンのコントラスト非依存的セマンティックセマンティックセグメンテーションを可能にするディープラーニング戦略を提案する。
提案した学習手法であるSynthSegは,訓練中のハエのコントラストが多種多様である合成サンプル画像を生成する。
我々は,1000名以上の被験者と4種類のMRコントラストからなる4種類のデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2020-03-04T11:00:57Z)
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。