論文の概要: An automatic pipeline for atlas-based fetal and neonatal brain segmentation and analysis

• arxiv url: http://arxiv.org/abs/2205.07575v1
• Date: Mon, 16 May 2022 11:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 17:36:46.541208
• Title: An automatic pipeline for atlas-based fetal and neonatal brain segmentation and analysis
• Title（参考訳）: アトラスを用いた胎児・新生児脳セグメンテーションと解析のための自動パイプライン
• Authors: Urru, Andrea and Nakaki, Ayako and Benkarim, Oualid and Crovetto, Francesca and Segales, Laura and Comte, Valentin and Hahner, Nadine and Eixarch, Elisenda and Gratac\'os, Eduard and Crispi, F\`atima and Piella, Gemma and Gonz\'alez Ballester, Miguel A
• Abstract要約: 本報告では,2つの胎児腺腫の発生と,そのパイプライン内でのアトラスを用いた分節法について報告する。 パイプラインはまた、曲率、厚み、sulcal depth、局所的なジャイロ化指数など、皮質表面とピアル表面の抽出や計算特性も可能である。
• 参考スコア（独自算出の注目度）: 1.3198175418055964
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The automatic segmentation of perinatal brain structures in magnetic resonance imaging (MRI) is of utmost importance for the study of brain growth and related complications. While different methods exist for adult and pediatric MRI data, there is a lack for automatic tools for the analysis of perinatal imaging. In this work, a new pipeline for fetal and neonatal segmentation has been developed. We also report the creation of two new fetal atlases, and their use within the pipeline for atlas-based segmentation, based on novel registration methods. The pipeline is also able to extract cortical and pial surfaces and compute features, such as curvature, thickness, sulcal depth, and local gyrification index. Results show that the introduction of the new templates together with our segmentation strategy leads to accurate results when compared to expert annotations, as well as better performances when compared to a reference pipeline (developing Human Connectome Project (dHCP)), for both early and late-onset fetal brains.
• Abstract（参考訳）: 磁気共鳴画像(MRI)における周産期脳構造の自動分割は、脳の成長とその関連合併症の研究において最も重要である。 成人と小児のMRIデータには異なる方法が存在するが、周産期画像解析のための自動ツールが欠如している。 本研究では、胎児および新生児の分節のための新しいパイプラインを開発した。 また, 新規登録法に基づく2つの胎児腺腫の創出と, そのパイプライン内でのアトラスを用いたセグメンテーションについて報告する。 パイプラインはまた、曲率、厚み、sulcal depth、局所的なジャイロ化指数など、皮質表面とピアル表面の抽出や計算特性も可能である。 その結果,新たなテンプレートの導入とセグメンテーション戦略は,専門家のアノテーションと比較して正確な結果をもたらすとともに,早期および後期の胎児脳に対する参照パイプライン(Human Connectome Project (dHCP)の開発)と比較して,パフォーマンスが向上することがわかった。

関連論文リスト

• AtlasSeg: Atlas Prior Guided Dual-U-Net for Cortical Segmentation in Fetal Brain MRI [11.764796934909462]
  我々は、妊娠年齢(GA)固有の情報をガイダンスとして組み込んだ二重U字型畳み込みネットワークであるAtlasSegを紹介する。 対応するGAにセグメンテーションラベルを付けた公用胎児脳性アトラスを提供することで、アトラス枝の年齢特異的パターンの文脈的特徴を効果的に抽出した。 AtlasSegは、内部の胎児脳MRIデータセットと外部のFeTAデータセットの両方において、よく知られたセグメンテーションネットワークを6つ上回った。
  論文  参考訳（メタデータ） (2024-11-05T07:16:32Z)
• Automatic 8-tissue Segmentation for 6-month Infant Brains [0.7351161122478707]
  6カ月児脳に対する第1報8分節パイプラインを提案する。 パイプラインは生の6ヶ月の画像を入力として取り、出力として8単位のセグメンテーションを生成する。 DICEスコアは0.92、HD95は1.6、ASSDは0.42である。
  論文  参考訳（メタデータ） (2024-08-27T16:58:23Z)
• Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
  本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。 妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
  論文  参考訳（メタデータ） (2024-08-26T14:54:14Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation [28.40275722324598]
  高品質な胎児脳アトラスのセグメンテーションラベルを、未ラベルの胎児脳MRIデータに適応させる実用的非教師なし領域適応(UDA)セットを提案する。 周波数ベース画像変換の前後の一貫性を制約することにより、セグメント化モデルを異なる領域の外観に適応する。 FeTA 2021ベンチマークの実験は、登録ベース、半教師付き学習ベース、および既存のUDAベースの方法と比較して、ASCの有効性を実証している。
  論文  参考訳（メタデータ） (2023-10-22T04:12:06Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。