論文の概要: k-strip: A novel segmentation algorithm in k-space for the application of skull stripping

• arxiv url: http://arxiv.org/abs/2205.09706v2
• Date: Fri, 7 Jul 2023 09:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 16:13:16.578108
• Title: k-strip: A novel segmentation algorithm in k-space for the application of skull stripping
• Title（参考訳）: k-strip:頭蓋骨ストリッピングへの応用のためのk-spaceにおける新しいセグメンテーションアルゴリズム
• Authors: Moritz Rempe, Florian Mentzel, Kelsey L. Pomykala, Johannes Haubold, Felix Nensa, Kevin Kr\"oninger, Jan Egger, Jens Kleesiek
• Abstract要約: 本稿では, 深層学習に基づく磁気共鳴イメージング(MRI)のための新しい頭蓋切削アルゴリズムを提案する。 我々は、複雑な生のk空間データを直接扱うために、ディープラーニングベースのモデルを訓練した。 結果: どちらのデータセットも、地上の真実と非常によく似ていた。
• 参考スコア（独自算出の注目度）: 0.6765415832831837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: Present a novel deep learning-based skull stripping algorithm for magnetic resonance imaging (MRI) that works directly in the information rich k-space. Materials and Methods: Using two datasets from different institutions with a total of 36,900 MRI slices, we trained a deep learning-based model to work directly with the complex raw k-space data. Skull stripping performed by HD-BET (Brain Extraction Tool) in the image domain were used as the ground truth. Results: Both datasets were very similar to the ground truth (DICE scores of 92\%-98\% and Hausdorff distances of under 5.5 mm). Results on slices above the eye-region reach DICE scores of up to 99\%, while the accuracy drops in regions around the eyes and below, with partially blurred output. The output of k-strip often smoothed edges at the demarcation to the skull. Binary masks are created with an appropriate threshold. Conclusion: With this proof-of-concept study, we were able to show the feasibility of working in the k-space frequency domain, preserving phase information, with consistent results. Future research should be dedicated to discovering additional ways the k-space can be used for innovative image analysis and further workflows.
• Abstract（参考訳）: 目的: 情報豊富なk空間で直接動作するMRIのための新しい深層学習ベースの頭蓋骨ストリッピングアルゴリズムを提案する。 材料と方法: 合計36,900個のMRIスライスを持つ異なる機関の2つのデータセットを使用して、複雑な生のk空間データを直接扱うためのディープラーニングベースのモデルを訓練した。 画像領域におけるHD-BET (Brain extract Tool) によるスカルストリップを基礎として用いた。 結果:両データセットは地上の真実と非常によく似ていた(DICEスコアは92\%-98\%、ハウスドルフ距離は5.5mm)。 眼領域の上のスライスは最大99\%のdiceスコアに達し、その精度は眼の周囲と下の領域で低下し、部分的にぼやけた出力となる。 kストリップの出力は、しばしば頭蓋骨への区切りの端を滑らかにした。 バイナリマスクは適切なしきい値で生成される。 結論: この概念実証研究により, k空間周波数領域での作業の実現可能性を示し, 相情報を保持し, 一貫した結果を得た。 将来の研究は、k空間を革新的な画像分析やさらなるワークフローに利用できる方法を見つけることに集中すべきである。

関連論文リスト

• DINOv2 Rocks Geological Image Analysis: Classification, Segmentation, and Interpretability [0.0]
  本研究では, 岩石試料のCTスキャン画像の分類, セグメンテーション, 解釈可能性について検討した。 地質画像解析において, その有効性, 効率, 適応性を評価するために, セグメンテーション法の比較を行った。
  論文  参考訳（メタデータ） (2024-07-25T15:03:36Z)
• Going beyond Compositions, DDPMs Can Produce Zero-Shot Interpolations [54.95457207525101]
  Denoising Diffusion Probabilistic Models (DDPM) は画像生成において顕著な能力を示す。 本研究では,データ分布の厳密な部分集合を学習したDDPMについて検討した。 本研究では,そのようなモデルにより,探索されていない中間領域の画像を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2024-05-29T15:41:53Z)
• Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks [0.40125518029941076]
  Deepbetは、Deepbetと呼ばれる高速で高精度な脳抽出ツールを構築する。 Deepbetは、2段階の予測プロセスで、現代的なUNetアーキテクチャであるLinkNetを使用している。 モデルは現在の方法と比較して脳の抽出を10倍に加速する。
  論文  参考訳（メタデータ） (2023-08-14T08:39:09Z)
• K-band: Self-supervised MRI Reconstruction via Stochastic Gradient Descent over K-space Subsets [16.785465381844435]
  我々はkバンドと呼ばれる新しい数学的枠組みを導入し、部分的かつ限定的なk空間データのみを用いてDLモデルを訓練する。 各トレーニングイテレーションでは、完全にサンプリングされたk-空間を勾配を計算する代わりに、小さなk-空間の部分のみを使用する。 生MRIデータを用いた数値実験により、kバンドは限定分解能データで訓練された他の2つの方法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-05T22:07:37Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Multiscale Score Matching for Out-of-Distribution Detection [19.61640396236456]
  本稿では,複数の雑音尺度におけるスコア推定のノルムを利用して,分布外画像(OOD)の検出手法を提案する。 我々の方法論は完全に教師なしであり、まっすぐな前向きのトレーニングスキームに従っています。
  論文  参考訳（メタデータ） (2020-10-25T15:10:31Z)
• Adaptive convolutional neural networks for k-space data interpolation in fast magnetic resonance imaging [4.0703084037031685]
  既存のディープラーニングベースの画像再構成手法は、一般的に、重量共有畳み込みニューラルネットワークをk空間データに適用する。 我々は、k空間データ(ACNN-k-Space)のための適応畳み込みニューラルネットワークと呼ばれるディープラーニングアルゴリズムを開発する。 提案手法は,k空間データのアンサンプから画像の再構成を効果的に行い,現在の最先端技術よりも画像再構成性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-06-02T04:29:33Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)
• Single Image Depth Estimation Trained via Depth from Defocus Cues [105.67073923825842]
  単一のRGB画像から深度を推定することはコンピュータビジョンの基本的な課題である。 この作業では、異なる視点ではなく、フォーカスキューからの奥行きに依存しています。 我々は,KITTIとMake3Dデータセットの教師あり手法と同等な結果を提示し,教師なし学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-14T20:22:54Z)

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。