論文の概要: Gray Matter Segmentation in Ultra High Resolution 7 Tesla ex vivo T2w MRI of Human Brain Hemispheres

• arxiv url: http://arxiv.org/abs/2110.07711v1
• Date: Thu, 14 Oct 2021 21:01:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 15:26:49.215513
• Title: Gray Matter Segmentation in Ultra High Resolution 7 Tesla ex vivo T2w MRI of Human Brain Hemispheres
• Title（参考訳）: 超高分解能7テスラ外用T2w MRIにおけるヒト脳半球の灰白質分画
• Authors: Pulkit Khandelwal, Shokufeh Sadaghiani, Sadhana Ravikumar, Sydney Lim, Sanaz Arezoumandan, Claire Peterson, Eunice Chung, Madigan Bedard, Noah Capp, Ranjit Ittyerah, Elyse Migdal, Grace Choi, Emily Kopp, Bridget Loja, Eusha Hasan, Jiacheng Li, Karthik Prabhakaran, Gabor Mizsei, Marianna Gabrielyan, Theresa Schuck, John Robinson, Daniel Ohm, Edward Lee, John Q. Trojanowski, Corey McMillan, Murray Grossman, David Irwin, M. Dylan Tisdall, Sandhitsu R. Das, Laura E.M. Wisse, David A. Wolk, Paul A. Yushkevich
• Abstract要約: 我々は、32個のヒト脳標本からなる高解像度7個のTeslaデータセットを提示する。 9つのニューラルネットワークアーキテクチャの皮質マントルセグメンテーション性能をベンチマークした。 異なる試料の脳半球全体、および異なる磁場強度および撮像配列で得られた見えない画像に対して、優れた汎化能力を示す。
• 参考スコア（独自算出の注目度）: 9.196429840458629
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ex vivo MRI of the brain provides remarkable advantages over in vivo MRI for visualizing and characterizing detailed neuroanatomy. However, automated cortical segmentation methods in ex vivo MRI are not well developed, primarily due to limited availability of labeled datasets, and heterogeneity in scanner hardware and acquisition protocols. In this work, we present a high resolution 7 Tesla dataset of 32 ex vivo human brain specimens. We benchmark the cortical mantle segmentation performance of nine neural network architectures, trained and evaluated using manually-segmented 3D patches sampled from specific cortical regions, and show excellent generalizing capabilities across whole brain hemispheres in different specimens, and also on unseen images acquired at different magnetic field strength and imaging sequences. Finally, we provide cortical thickness measurements across key regions in 3D ex vivo human brain images. Our code and processed datasets are publicly available at https://github.com/Pulkit-Khandelwal/picsl-ex-vivo-segmentation.
• Abstract（参考訳）: 脳の生体外MRIは、詳細な神経解剖学を可視化し特徴付けるために、生体内MRIよりも優れた利点を提供する。 しかし, 生体外MRIにおける皮質自動分割法は, ラベル付きデータセットが限られており, スキャナハードウェアと取得プロトコルの不均一性のため, 十分に開発されていない。 そこで本研究では,32個のヒト脳内標本の高解像度7テスラデータセットを提案する。 我々は、9つのニューラルネットワークアーキテクチャの皮質マントルセグメンテーション性能をベンチマークし、特定の皮質領域から採取した手動3Dパッチを用いて訓練、評価し、異なる試料の脳半球全体、および異なる磁場強度および撮像シーケンスで取得した見えない画像に対して優れた一般化能力を示す。 最後に,3次元脳外画像における鍵領域の皮質厚測定を行った。 私たちのコードと処理されたデータセットはhttps://github.com/Pulkit-Khandelwal/picsl-ex-vivo-segmentationで公開されています。

関連論文リスト

• Neural 3D decoding for human vision diagnosis [76.41771117405973]
  われわれは、AIが2D視覚から視覚的に可視で機能的により包括的な脳信号からデコードされた3D視覚へと進化することで、現在の最先端技術を超えることができることを示す。 本研究では、2D画像で提示された被験者のfMRIデータを入力として、対応する3Dオブジェクト視覚を出力する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Surface-based parcellation and vertex-wise analysis of ultra high-resolution ex vivo 7 tesla MRI in Alzheimer's disease and related dementias [32.61675068837929]
  アルツハイマー病と関連する認知症にまたがる等方分解能の0.3mmで、82個の脳半球外T2wの1-of-in-kindデータセットを提出した。 Desikan-Killiany-Tourville (DKT) 脳のアトラスを用いて,超高分解能の生体外脳組織を母体空間分解能で解析するために,高速で使いやすく自動表面ベースパイプラインを開発した。
  論文  参考訳（メタデータ） (2024-03-28T15:27:34Z)
• H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI for hypothalamus subregion segmentation [1.0486773259892048]
  視床下部領域の自動セグメンテーションのための機械学習手法であるH-SynExを紹介する。 H-SynExは、リトレーニングなしで異なるMRIシーケンスと解像度を一般化する。 5mm間隔のFLAIR画像において,アルツハイマー病患者に対してコントロールを識別することができた。
  論文  参考訳（メタデータ） (2024-01-30T15:36:02Z)
• Automated deep learning segmentation of high-resolution 7 T postmortem MRI for quantitative analysis of structure-pathology correlations in neurodegenerative diseases [33.191270998887326]
  7T全体MRIスキャナーにT2wシークエンスを用いて0.3 mm$3$等方性で画像化した,高分解能のヒト脳組織標本135点について報告する。 また、7Tで0.28mm3および0.16mm3等方性T2*w FLASH配列を取得。
  論文  参考訳（メタデータ） (2023-03-21T23:44:02Z)
• gACSON software for automated segmentation and morphology analyses of myelinated axons in 3D electron microscopy [55.78588835407174]
  本稿では,3D-EMボリュームにおけるミレライズされた軸索の可視化,セグメンテーション,アセスメント,形態解析のためのフリーソフトウェアgACSONを紹介する。 gACSONは、ミエリン化軸索とその対応するミエリンの軸索内空間を自動的に分割する。 軸索径、軸索偏心性、ミエリン厚み、g比などのミエリン化軸索の形態を解析する。
  論文  参考訳（メタデータ） (2021-12-13T08:17:15Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet [11.961432794560103]
  MRI(Magic Resonance Images)から脳腫瘍を分節するための注目畳み込みニューラルネットワーク(CNN)を開発する。 各種機械学習手法を用いて生存率を予測する。 生存予測のために, 腫瘍の形状, 形状, 形状に基づく新しい放射線学的特徴を抽出し, 臨床情報と組み合わせて各患者の生存期間を推定した。
  論文  参考訳（メタデータ） (2021-04-02T11:04:40Z)
• 3D Reconstruction and Segmentation of Dissection Photographs for MRI-free Neuropathology [2.4984854046383624]
  脳郭清画像から全脳像量を再構成・分画する手法を提案する。 3次元再構成は、MRI以外の参照ボリュームを使用する共同登録フレームワークによって達成される。 我々は,Diceスコアとボリューム相関を用いて,24脳のデータセット上で本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-11T18:21:00Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。