論文の概要: FastSurferVINN: Building Resolution-Independence into Deep Learning Segmentation Methods -- A Solution for HighRes Brain MRI

• arxiv url: http://arxiv.org/abs/2112.09654v1
• Date: Fri, 17 Dec 2021 17:56:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-20 15:49:17.428599
• Title: FastSurferVINN: Building Resolution-Independence into Deep Learning Segmentation Methods -- A Solution for HighRes Brain MRI
• Title（参考訳）: FastSurferVINN: ディープラーニングセグメンテーションメソッドの分解能依存性の構築 -- 高解像度脳MRIのためのソリューション
• Authors: Leonie Henschel, David K\"ugler and Martin Reuter
• Abstract要約: 本稿では,Voxelsize Independent Neural Network (VINN) を導入する。 VINNは0.7-1.0mmの脳セグメンテーションを同時にサポートする最初の方法である。 全体として、内部分解能独立性は、HiResと1.0mmMRIのセグメンテーションの両方に有益である。
• 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: Leading neuroimaging studies have pushed 3T MRI acquisition resolutions below 1.0 mm for improved structure definition and morphometry. Yet, only few, time-intensive automated image analysis pipelines have been validated for high-resolution (HiRes) settings. Efficient deep learning approaches, on the other hand, rarely support more than one fixed resolution (usually 1.0 mm). Furthermore, the lack of a standard submillimeter resolution as well as limited availability of diverse HiRes data with sufficient coverage of scanner, age, diseases, or genetic variance poses additional, unsolved challenges for training HiRes networks. Incorporating resolution-independence into deep learning-based segmentation, i.e., the ability to segment images at their native resolution across a range of different voxel sizes, promises to overcome these challenges, yet no such approach currently exists. We now fill this gap by introducing a Voxelsize Independent Neural Network (VINN) for resolution-independent segmentation tasks and present FastSurferVINN, which (i) establishes and implements resolution-independence for deep learning as the first method simultaneously supporting 0.7-1.0 mm whole brain segmentation, (ii) significantly outperforms state-of-the-art methods across resolutions, and (iii) mitigates the data imbalance problem present in HiRes datasets. Overall, internal resolution-independence mutually benefits both HiRes and 1.0 mm MRI segmentation. With our rigorously validated FastSurferVINN we distribute a rapid tool for morphometric neuroimage analysis. The VINN architecture, furthermore, represents an efficient resolution-independent segmentation method for wider application
• Abstract（参考訳）: 先行するニューロイメージング研究は、構造定義と形態計測を改善するために3T MRI取得の解像度を1.0mm以下に押し上げた。 しかし、高分解能(hires)設定で検証された時間集約的な自動画像分析パイプラインはごくわずかである。 一方、効率的なディープラーニングアプローチは、1つ以上の固定解像度(通常は1.0mm)をほとんどサポートしない。 さらに、標準のサブミリ秒解像度の欠如と、スキャナー、年齢、疾患、遺伝的変異を十分に網羅した多様なHiResデータの可用性の制限により、HiResネットワークをトレーニングするための未解決の課題がさらに増える。 ディープラーニングに基づくセグメンテーション、すなわち、さまざまなvoxelサイズにわたるネイティブレゾリューションでイメージをセグメンテーションする能力に解像度依存性を組み込むことは、これらの課題を克服することを約束するが、現時点ではそのようなアプローチは存在しない。 解像度非依存セグメンテーションタスクのためのVoxelsize Independent Neural Network (VINN)を導入し、このギャップを埋める。 i)0.7～1.0mmの脳セグメント化を同時に支援する最初の方法として、深層学習のための分解能独立性を確立し、実装する。 (ii)解像度で最先端の手法を著しく上回り、 3)HiResデータセットに存在するデータ不均衡問題を緩和する。 全体として、内部分解能独立性は、HiResと1.0mmMRIのセグメンテーションの両方に有益である。 我々はFastSurferVINNを厳格に検証し,形態計測による神経画像解析のための高速なツールを配布した。 さらに、VINNアーキテクチャは、より広い応用のための効率的な解像度独立セグメンテーション法である

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
  CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。 そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
  論文  参考訳（メタデータ） (2024-04-07T08:48:01Z)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• 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)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Learning Resolution-Adaptive Representations for Cross-Resolution Person Re-Identification [49.57112924976762]
  低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。 実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。 本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:49:51Z)
• DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
  磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。 時間分解能の高いMRIでは空間分解能が制限される。 このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。 本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
  論文  参考訳（メタデータ） (2022-02-10T22:20:58Z)
• 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)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• 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)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。