Fugu-MT 論文翻訳(概要): DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains

論文の概要: DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains

arxiv url: http://arxiv.org/abs/2110.09473v1
Date: Mon, 18 Oct 2021 17:15:39 GMT
ステータス: 処理完了
システム内更新日: 2021-10-19 16:28:59.479976
Title: DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains
Title（参考訳）: DBSegment: 深部脳構造の高速かつ堅牢なセグメンテーション -取得ドメイン間の輸送性の評価-
Authors: Mehri Baniasadi, Mikkel V. Petersen, Jorge Goncalves, Andreas Horn, Vanja Vlasov, Frank Hertel, Andreas Husch
Abstract要約: 本稿では、ディープラーニングを用いて、堅牢で効率的な深層脳セグメンテーションソリューションを提供する。我々は、登録ベースのアプローチから生成されたラベルを用いて、30の深層脳構造と脳マスクをセグメントするネットワークを訓練した。提案手法は高速で堅牢で,高信頼性で一般化できる。
参考スコア（独自算出の注目度）: 0.18472148461613155
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Segmenting deep brain structures from magnetic resonance images is important for patient diagnosis, surgical planning, and research. Most current state-of-the-art solutions follow a segmentation-by-registration approach, where subject MRIs are mapped to a template with well-defined segmentations. However, registration-based pipelines are time-consuming, thus, limiting their clinical use. This paper uses deep learning to provide a robust and efficient deep brain segmentation solution. The method consists of a pre-processing step to conform all MRI images to the same orientation, followed by a convolutional neural network using the nnU-Net framework. We use a total of 14 datasets from both research and clinical collections. Of these, seven were used for training and validation and seven were retained for independent testing. We trained the network to segment 30 deep brain structures, as well as a brain mask, using labels generated from a registration-based approach. We evaluated the generalizability of the network by performing a leave-one-dataset-out cross-validation, and extensive testing on external datasets. Furthermore, we assessed cross-domain transportability by evaluating the results separately on different domains. We achieved an average DSC of 0.89 $\pm$ 0.04 on the independent testing datasets when compared to the registration-based gold standard. On our test system, the computation time decreased from 42 minutes for a reference registration-based pipeline to 1 minute. Our proposed method is fast, robust, and generalizes with high reliability. It can be extended to the segmentation of other brain structures. The method is publicly available on GitHub, as well as a pip package for convenient usage.
Abstract（参考訳）: 磁気共鳴画像から深部脳構造を分割することは、患者の診断、手術計画、研究に重要である。現在の最先端ソリューションのほとんどはセグメンテーション・バイ・レジゲーションのアプローチに従っており、対象MRIは明確に定義されたセグメンテーションを持つテンプレートにマッピングされる。しかし、登録ベースのパイプラインは時間がかかり、臨床使用が制限される。本稿では、ディープラーニングを用いて、堅牢で効率的な深層脳セグメンテーションソリューションを提供する。この方法は、すべてのMRI画像を同じ向きに適合させる前処理ステップと、nnU-Netフレームワークを使用した畳み込みニューラルネットワークで構成される。研究と臨床の両方で合計14のデータセットを使用します。これらのうち7つが訓練と検証に使われ、7つが独立したテストに残った。我々は、登録ベースのアプローチから生成されたラベルを用いて、30の深層脳構造と脳マスクをセグメントするネットワークを訓練した。ネットワークの一般化性を評価するため, 外部データセットの相互検証と広範囲なテストを行った。さらに,異なる領域で結果を別々に評価することで,クロスドメイントランスポート性を評価した。登録ベースのゴールド標準と比較して,独立したテストデータセットでの平均dscは 0.89$\pm$ 0.04 であった。テストシステムでは,参照登録ベースパイプラインの計算時間は42分から1分に短縮した。提案手法は高速で堅牢で,信頼性の高い一般化を行う。他の脳構造の分節にまで拡張することができる。このメソッドはGitHubで公開されており、便利なpipパッケージが提供されている。

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)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文参考訳（メタデータ） (2023-07-07T13:17:12Z)
Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query Embedding [15.98677736544302]
本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
論文参考訳（メタデータ） (2022-12-05T04:04:21Z)
Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
様々なディープニューラルネットワークモデルの高速化性能を解析する。我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
論文参考訳（メタデータ） (2022-05-02T20:43:14Z)
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)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
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)
DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images [0.0]
グリオーマは最も一般的で攻撃的な脳腫瘍である。 FLAIR(Fluid-Attenuated Inversion Recovery) MRIは、腫瘍浸潤に関する情報を提供する。本稿では,脳病変の完全自動検出とセグメンテーションのためのDeepSegという,新しい総合的なディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-04-26T09:50:02Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。