論文の概要: 2D Multi-Class Model for Gray and White Matter Segmentation of the Cervical Spinal Cord at 7T

• arxiv url: http://arxiv.org/abs/2110.06516v1
• Date: Wed, 13 Oct 2021 06:14:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 14:06:43.229448
• Title: 2D Multi-Class Model for Gray and White Matter Segmentation of the Cervical Spinal Cord at 7T
• Title（参考訳）: 7Tにおける頚髄の灰白質分画の2次元マルチクラスモデル
• Authors: Nilser J. Laines Medina, Charley Gros, Julien Cohen-Adad, Virginie Callot, Arnaud Le Troter
• Abstract要約: 本研究では,超高分解能 7T T2*-w MR 画像に基づいて,頑健な SC/GM マルチクラスセグメンテーションを可能にする新しいディープラーニングモデルを提案する。 そこで本研究では,超高解像度 7T T2*-w MR 画像に基づいて,頑健な SC/GM マルチクラスセグメンテーションを可能にする新しいディープラーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The spinal cord (SC), which conveys information between the brain and the peripheral nervous system, plays a key role in various neurological disorders such as multiple sclerosis (MS) and amyotrophic lateral sclerosis (ALS), in which both gray matter (GM) and white matter (WM) may be impaired. While automated methods for WM/GM segmentation are now largely available, these techniques, developed for conventional systems (3T or lower) do not necessarily perform well on 7T MRI data, which feature finer details, contrasts, but also different artifacts or signal dropout. The primary goal of this study is thus to propose a new deep learning model that allows robust SC/GM multi-class segmentation based on ultra-high resolution 7T T2*-w MR images. The second objective is to highlight the relevance of implementing a specific data augmentation (DA) strategy, in particular to generate a generic model that could be used for multi-center studies at 7T.
• Abstract（参考訳）: 脳と末梢神経系の間の情報を伝達する脊髄(SC)は、多発性硬化症(MS)や筋萎縮性側索硬化症(ALS)などの様々な神経疾患において重要な役割を果たす。 WM/GMセグメンテーションの自動化手法が広く利用できるようになったが、従来のシステム(3T以下)で開発されたこれらの技術は、細部やコントラスト、異なるアーティファクトや信号のドロップアウトといった7T MRIデータで必ずしもうまく機能しない。 本研究の目的は,超高分解能7t t2*-w mr画像に基づくロバストなsc/gmマルチクラスセグメンテーションを可能にする新しいディープラーニングモデルを提案することである。 第2の目的は、特定のデータ拡張(DA)戦略を実装することの関連性を強調し、特に7Tのマルチセンター研究に使用できる汎用モデルを生成することである。

関連論文リスト

• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
  UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。 このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
  論文  参考訳（メタデータ） (2024-09-26T12:13:52Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• 3D Medical Image Segmentation based on multi-scale MPU-Net [5.393743755706745]
  本稿では,患者のCT画像に対する腫瘍分割モデルMPU-Netを提案する。 グローバルアテンション機構を備えたTransformerにインスパイアされている。 ベンチマークモデルであるU-Netと比較して、MPU-Netは優れたセグメンテーション結果を示す。
  論文  参考訳（メタデータ） (2023-07-11T20:46:19Z)
• SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。 ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。 本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
  論文  参考訳（メタデータ） (2023-02-21T18:16:20Z)
• Fourier Disentangled Multimodal Prior Knowledge Fusion for Red Nucleus Segmentation in Brain MRI [1.8596805118803879]
  赤核は中脳の構造であり、パーキンソン病において重要な役割を果たす。 我々は、赤核分割のための異なるコントラストからの事前知識を統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-02T17:54:52Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• 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)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。