論文の概要: Multi-Atlas Segmentation and Spatial Alignment of the Human Embryo in
First Trimester 3D Ultrasound
- arxiv url: http://arxiv.org/abs/2202.06599v3
- Date: Mon, 28 Aug 2023 08:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 02:16:40.189089
- Title: Multi-Atlas Segmentation and Spatial Alignment of the Human Embryo in
First Trimester 3D Ultrasound
- Title（参考訳）: トリメスター3次元超音波によるヒト胚のマルチアトラスセグメンテーションと空間的アライメント
- Authors: W.A.P. Bastiaansen, M. Rousian, R.P.M. Steegers-Theunissen, W.J.
Niessen, A.H.J. Koning, S. Klein
- Abstract要約: 本稿では,最小限の監督力を持つ深層学習を用いた胚の自動分割と空間アライメントのためのフレームワークを提案する。
本研究の枠組みは, 妊娠年齢で得られたUS画像から成るアトラスに胚を登録することを学ぶ。
複数のアトラスを組み込むために異なる融合戦略を評価した。
- 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: Segmentation and spatial alignment of ultrasound (US) imaging data acquired
in the in first trimester are crucial for monitoring human embryonic growth and
development throughout this crucial period of life. Current approaches are
either manual or semi-automatic and are therefore very time-consuming and prone
to errors. To automate these tasks, we propose a multi-atlas framework for
automatic segmentation and spatial alignment of the embryo using deep learning
with minimal supervision. Our framework learns to register the embryo to an
atlas, which consists of the US images acquired at a range of gestational age
(GA), segmented and spatially aligned to a predefined standard orientation.
From this, we can derive the segmentation of the embryo and put the embryo in
standard orientation. US images acquired at 8+0 till 12+6 weeks GA were used
and eight subjects were selected as atlas. We evaluated different fusion
strategies to incorporate multiple atlases: 1) training the framework using
atlas images from a single subject, 2) training the framework with data of all
available atlases and 3) ensembling of the frameworks trained per subject. To
evaluate the performance, we calculated the Dice score over the test set. We
found that training the framework using all available atlases outperformed
ensembling and gave similar results compared to the best of all frameworks
trained on a single subject. Furthermore, we found that selecting images from
the four atlases closest in GA out of all available atlases, regardless of the
individual quality, gave the best results with a median Dice score of 0.72. We
conclude that our framework can accurately segment and spatially align the
embryo in first trimester 3D US images and is robust for the variation in
quality that existed in the available atlases.
- Abstract（参考訳）: 最初の3期で得られた超音波画像データの分割と空間的アライメントは、この重要な期間を通じてヒトの胚の成長と発達をモニタリングするために重要である。
現在のアプローチは手動かセミオートマチックで、非常に時間がかかり、エラーを起こしやすい。
これらのタスクを自動化するために,最小限の監督力を持つ深層学習を用いて,胚の自動分割と空間アライメントのためのマルチアトラスフレームワークを提案する。
本フレームワークは, 妊娠年齢(GA)で得られたUS画像からなり, 予め定義された標準配向にセグメンテーションされ, 空間的に整列するアトラスに胚を登録することを学ぶ。
これにより、胚のセグメンテーションを導出し、胚を標準的な方向に置くことができる。
8+0から12+6週のアメリカの画像を使用し、8人の被験者をアトラスとして選んだ。
複数のアトラスを組み込むための異なる融合戦略を評価した。
1) 1つの主題からのatlas画像を用いた枠組みの訓練
2)利用可能なすべてのアトラスのデータとフレームワークのトレーニング
3) 対象ごとに訓練されたフレームワークのセンス作成。
性能評価のために,テストセット上のサイコロスコアを算出した。
利用可能なすべてのatlasを使ってフレームワークをトレーニングすることは、ensemblingよりも優れており、単一のテーマでトレーニングされたフレームワークのベストと比較すると、同様の結果が得られました。
さらに,gaに最も近い4つのアトラスから選択した画像は,個々の品質に関わらず,0.72の中央値で最高の結果を得た。
この枠組みは,第13mester 3d us画像における胚の精密な分割と空間的整列が可能であり,利用可能なアトラスに存在する品質の変動に対して頑健である。
関連論文リスト
- Multi-organ Self-supervised Contrastive Learning for Breast Lesion
Segmentation [0.0]
本稿では,臓器関連目標タスクに適した事前学習モデルとして,多臓器データセットを用いる。
対象は超音波画像における乳腺腫瘍のセグメンテーションである。
その結果,従来のコントラスト学習事前学習は,教師付きベースラインアプローチに比べて性能が向上することがわかった。
論文 参考訳（メタデータ） (2024-02-21T20:29:21Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Placenta Segmentation in Ultrasound Imaging: Addressing Sources of
Uncertainty and Limited Field-of-View [12.271784950642344]
単一畳み込みニューラルネットワークにおける胎盤位置と意味的胎盤セグメンテーションの分類を組み合わせたマルチタスク学習手法を提案する。
提案手法では,マルチプローブ画像取得,画像融合,画像分割の3段階からなるマルチビューUS取得パイプラインを用いて,プレースンタのセグメンテーションを実現する。
論文 参考訳（メタデータ） (2022-06-29T16:18:55Z) - Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning
with Pairwise Alignment [18.338563869053065]
本研究では、畳み込みニューラルネットワーク(CNN)を用いて、アトラスと静止速度場(SVF)パラメータ化を共同で予測し、微分型画像登録を行う。
提案手法は,他の最先端画像登録アルゴリズムよりも性能がよいことを示す。
論文 参考訳（メタデータ） (2022-02-07T23:52:21Z) - Automatic 3D Ultrasound Segmentation of Uterus Using Deep Learning [4.2698418800007865]
3D超音波(US)で子宮を画像化することができるが、子宮境界の位置を見つけることは難しい課題である。
2つのシナリオに基づいてトレーニングされた2次元UNetネットワークを開発した。
論文 参考訳（メタデータ） (2021-09-20T03:13:57Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳（メタデータ） (2021-08-11T06:39:26Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳（メタデータ） (2021-07-13T19:56:01Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Towards segmentation and spatial alignment of the human embryonic brain
using deep learning for atlas-based registration [3.8874909016794463]
本研究では,アトラスをベースとした登録のための教師なし深層学習手法を提案し,単一の枠組みで胚性脳のセグメンテーションと空間的アライメントを実現する。
我々は、このネットワークをエンドツーエンドにトレーニングし、3D第1三期超音波の課題に類似した合成データセットに基づいて、基礎的な真実に対して検証した。
論文 参考訳（メタデータ） (2020-05-13T15:23:44Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。