論文の概要: Axial multi-layer perceptron architecture for automatic segmentation of
choroid plexus in multiple sclerosis
- arxiv url: http://arxiv.org/abs/2109.03778v1
- Date: Wed, 8 Sep 2021 16:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-09 13:52:50.472315
- Title: Axial multi-layer perceptron architecture for automatic segmentation of
choroid plexus in multiple sclerosis
- Title（参考訳）: 軸方向多層パーセプトロンアーキテクチャによる多発性硬化症における脈絡膜プレックスの自動分割
- Authors: Marius Schmidt-Mengin and Vito A.G. Ricigliano and Benedetta Bodini
and Emanuele Morena and Annalisa Colombi and Mariem Hamzaoui and Arya Yazdan
Panah and Bruno Stankoff and Olivier Colliot
- Abstract要約: コロイド(CP)は脳脊髄液(CSF)を産生する脳の心室の構造である
私たちの知る限りでは、CPセグメンテーションのための唯一の無料ツールがFreeSurferです。
我々は、Axial Multi-layer Perceptrons (MLP) の組立に基づく「Axial-MLP」と呼ばれる新しいモデルを導入する。
- 参考スコア（独自算出の注目度）: 1.9351159699664233
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Choroid plexuses (CP) are structures of the ventricles of the brain which
produce most of the cerebrospinal fluid (CSF). Several postmortem and in vivo
studies have pointed towards their role in the inflammatory process in multiple
sclerosis (MS). Automatic segmentation of CP from MRI thus has high value for
studying their characteristics in large cohorts of patients. To the best of our
knowledge, the only freely available tool for CP segmentation is FreeSurfer but
its accuracy for this specific structure is poor. In this paper, we propose to
automatically segment CP from non-contrast enhanced T1-weighted MRI. To that
end, we introduce a new model called "Axial-MLP" based on an assembly of Axial
multi-layer perceptrons (MLPs). This is inspired by recent works which showed
that the self-attention layers of Transformers can be replaced with MLPs. This
approach is systematically compared with a standard 3D U-Net, nnU-Net,
Freesurfer and FastSurfer. For our experiments, we make use of a dataset of 141
subjects (44 controls and 97 patients with MS). We show that all the tested
deep learning (DL) methods outperform FreeSurfer (Dice around 0.7 for DL vs
0.33 for FreeSurfer). Axial-MLP is competitive with U-Nets even though it is
slightly less accurate. The conclusions of our paper are two-fold: 1) the
studied deep learning methods could be useful tools to study CP in large
cohorts of MS patients; 2)~Axial-MLP is a potentially viable alternative to
convolutional neural networks for such tasks, although it could benefit from
further improvements.
- Abstract（参考訳）: 脈絡膜叢 (CP) は脳脊髄液(CSF)の大部分を産生する脳の心室構造である。
いくつかの死後および生体内研究は、多発性硬化症(MS)における炎症過程における役割を指摘している。
MRIからのCPの自動分画は, 患者の大コホートにおいてその特徴を研究する上で高い価値がある。
我々の知る限り、CPセグメンテーションのための唯一の無料ツールがFreeSurferであるが、その特定の構造に対する正確性は乏しい。
本稿では,非コントラスト強調T1強調MRIからCPを自動的に分離する手法を提案する。
そこで我々は,Axial Multi-layer Perceptrons (MLPs) の組立に基づく"Axial-MLP"と呼ばれる新しいモデルを導入する。
これは、トランスフォーマーの自己アテンション層をMLPに置き換えることができることを示す最近の研究にインスパイアされている。
このアプローチは、標準的な3D U-Net、nnU-Net、Freesurfer、FastSurferと体系的に比較される。
実験では,141名(44名,ms患者97名)のデータセットを用いた。
テスト済みのディープラーニング(DL)メソッドはFreeSurferよりも優れている(DLは0.7、FreeSurferは0.33)。
Axial-MLPはU-Netと競合するが、精度はわずかである。
1) 深層学習法は,MS患者の大規模なコホートにおいてCPを研究する上で有用なツールであり,2) 軸-MLPは,そのようなタスクに対する畳み込みニューラルネットワークの代替として有効な可能性があり,さらなる改善の恩恵を受けることができる。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and
adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。
我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文 参考訳（メタデータ） (2023-08-24T12:26:38Z) - Deep Labeling of fMRI Brain Networks [0.0]
神経外科医を誘導する前外科的計画において、安静状態機能型磁気共鳴イメージング(RS-fMRI)から抽出された脳の安静状態ネットワーク(RSN)が使用される。
臨床試験で使用される効率的で標準化された方法が欠如している。
RSNをラベル付けするための正確で高速で軽量なディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-05-05T19:42:11Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳（メタデータ） (2019-12-27T02:49:45Z)
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。