論文の概要: Robust machine learning segmentation for large-scale analysis of
heterogeneous clinical brain MRI datasets
- arxiv url: http://arxiv.org/abs/2209.02032v1
- Date: Mon, 5 Sep 2022 16:09:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 15:01:41.988056
- Title: Robust machine learning segmentation for large-scale analysis of
heterogeneous clinical brain MRI datasets
- Title(参考訳): 不均一脳MRIデータセットの大規模解析のためのロバスト機械学習セグメンテーション
- Authors: Benjamin Billot, Colin Magdamo, Steven E. Arnold, Sudeshna Das, Juan.
E. Iglesias
- Abstract要約: 異種臨床データセットの堅牢な解析を可能にするAIセグメンテーションスイートであるSynthSeg+を提案する。
具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、欠陥セグメンテーションの自動検出も行う。
われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
- 参考スコア(独自算出の注目度): 1.0499611180329802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Every year, millions of brain MRI scans are acquired in hospitals, which is a
figure considerably larger than the size of any research dataset. Therefore,
the ability to analyse such scans could transform neuroimaging research. Yet,
their potential remains untapped, since no automated algorithm can cope with
the high variability in clinical acquisitions (MR contrast, resolution,
orientation, etc.). Here we present SynthSeg+, an AI segmentation suite that
enables, for the first time, robust analysis of heterogeneous clinical
datasets. Specifically, in addition to whole-brain segmentation, SynthSeg+ also
performs cortical parcellation, intracranial volume estimation, and automated
detection of faulty segmentations (mainly caused by scans of very low quality).
We demonstrate SynthSeg+ in seven experiments, including an ageing study on
14,000 scans, where it accurately replicates atrophy patterns observed on data
of much higher quality. SynthSeg+ is publicly released as a ready-to-use tool
to unlock the potential of quantitative morphometry in wide-ranging settings.
- Abstract(参考訳): 毎年、何百万もの脳MRIスキャンが病院で取得されている。
したがって、そのようなスキャンを分析する能力は、神経画像研究を変革する可能性がある。
しかし、その可能性は未解決であり、自動アルゴリズムは臨床取得における高い変動性(mrコントラスト、解像度、方向など)に対応できない。
ここでは、異種の臨床データセットの堅牢な分析を可能にするAIセグメンテーションスイートであるSynthSeg+を紹介する。
具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、故障セグメンテーションの自動検出(主に非常に低い品質のスキャンによって引き起こされる)も行う。
われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
SynthSeg+は、広範囲な設定で量的形態計測の可能性を解き放つための使えるツールとして、一般公開されている。
関連論文リスト
- K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Cortical analysis of heterogeneous clinical brain MRI scans for
large-scale neuroimaging studies [2.930354460501359]
皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定など、MRIによるヒトの神経イメージングにおいてユビキタスである。
臨床脳MRI検査における大脳皮質再建, 登録, パーセレーション, 厚み推定法について検討した。
論文 参考訳(メタデータ) (2023-05-02T23:36:06Z) - Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and
no Retraining [1.0499611180329802]
クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。
画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。
一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。
条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
論文 参考訳(メタデータ) (2022-03-03T19:18:28Z) - Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。
完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。
もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文 参考訳(メタデータ) (2022-02-14T19:29:08Z) - SynthSeg: Domain Randomisation for Segmentation of Brain MRI Scans of
any Contrast and Resolution [7.070890465817133]
畳み込みニューラルネットワーク(CNN)は、目に見えないターゲットドメインに一般化するのが困難である。
コントラストと解像度の脳MRIスキャンに最初のセグメンテーションCNNであるSynthSegを導入する。
6つのモダリティと10の解像度の5,500のスキャンでSynthSegを実証し、非並列な一般化を示す。
論文 参考訳(メタデータ) (2021-07-20T15:22:16Z) - Functional Magnetic Resonance Imaging data augmentation through
conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。
本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文 参考訳(メタデータ) (2021-07-11T22:36:14Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。