論文の概要: Learning to segment fetal brain tissue from noisy annotations

• arxiv url: http://arxiv.org/abs/2203.14962v1
• Date: Fri, 25 Mar 2022 21:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 12:22:17.726332
• Title: Learning to segment fetal brain tissue from noisy annotations
• Title（参考訳）: うるさいアノテーションから胎児脳組織を分割する学習
• Authors: Davood Karimi, Caitlin K. Rollins, Clemente Velasco-Annis, Abdelhakim Ouaalam, and Ali Gholipour
• Abstract要約: 自動胎児脳組織分節は、この臨界段階における脳の発達の定量的評価を高めることができる。 深層学習法は、医用画像のセグメンテーションにおける最先端の手法であり、また脳セグメンテーションにおける印象的な成果も達成している。 しかし、このタスクを実行するためのディープラーニングモデルの効果的なトレーニングには、一過性胎児脳構造の急速な発達を表すために、多数のトレーニングイメージが必要である。
• 参考スコア（独自算出の注目度）: 6.456673654519456
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic fetal brain tissue segmentation can enhance the quantitative assessment of brain development at this critical stage. Deep learning methods represent the state of the art in medical image segmentation and have also achieved impressive results in brain segmentation. However, effective training of a deep learning model to perform this task requires a large number of training images to represent the rapid development of the transient fetal brain structures. On the other hand, manual multi-label segmentation of a large number of 3D images is prohibitive. To address this challenge, we segmented 272 training images, covering 19-39 gestational weeks, using an automatic multi-atlas segmentation strategy based on deformable registration and probabilistic atlas fusion, and manually corrected large errors in those segmentations. Since this process generated a large training dataset with noisy segmentations, we developed a novel label smoothing procedure and a loss function to train a deep learning model with smoothed noisy segmentations. Our proposed methods properly account for the uncertainty in tissue boundaries. We evaluated our method on 23 manually-segmented test images of a separate set of fetuses. Results show that our method achieves an average Dice similarity coefficient of 0.893 and 0.916 for the transient structures of younger and older fetuses, respectively. Our method generated results that were significantly more accurate than several state-of-the-art methods including nnU-Net that achieved the closest results to our method. Our trained model can serve as a valuable tool to enhance the accuracy and reproducibility of fetal brain analysis in MRI.
• Abstract（参考訳）: 自動胎児脳組織分節は、この臨界段階における脳の発達の定量的評価を高めることができる。 深層学習法は医用画像のセグメンテーションにおける技術の現状を表し、脳のセグメンテーションにおける印象的な結果も達成している。 しかしながら、このタスクを実行するためのディープラーニングモデルの効果的なトレーニングには、一過性胎児脳構造の急速な発達を表すために、多数のトレーニング画像が必要である。 一方で、多数の3d画像の手動マルチラベルセグメンテーションは禁止されている。 この課題に対処するために,19～39週にわたる272のトレーニングイメージを,変形可能な登録と確率的アトラス融合に基づく自動マルチアトラスセグメンテーション戦略を用いて分割し,それらのセグメンテーションにおける大きな誤りを手作業で修正した。 このプロセスは,雑音分割を伴う大規模学習データセットを生成するため,新しいラベル平滑化手法と損失関数を開発し,雑音分割を用いた深層学習モデルを訓練した。 組織境界の不確かさを適切に考慮する手法を提案する。 異なる胎児群を手動で分離したテスト画像23例について検討した。 その結果, 若年および高齢の胎児の過渡構造について, 平均 dice 類似度係数 0.893 および 0.916 が得られた。 提案手法は,本手法に最も近い結果を得たnnU-Netを含む,いくつかの最先端手法よりも精度が高かった。 我々の訓練されたモデルは、MRIにおける胎児脳分析の精度と再現性を高める貴重なツールとなり得る。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
  我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。 提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• 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)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI [12.554154620492772]
  我々は胎児脳MRIスキャンのための新しい強力なディープラーニングセグメンテーション法を開発した。 本手法は,完全な畳み込みニューラルネットワークアーキテクチャにおいて,カーネルの畳み込みが混在する新しい深層抑止モジュールを利用する。 本手法は, 正常および変化した胎児大脳皮質の成熟と折り畳みについて, 大規模研究を促進・促進することができる。
  論文  参考訳（メタデータ） (2020-04-27T14:55:22Z)
• 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)

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。