論文の概要: A deep learning model for brain vessel segmentation in 3DRA with
arteriovenous malformations
- arxiv url: http://arxiv.org/abs/2210.02416v1
- Date: Wed, 5 Oct 2022 17:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:53:35.012629
- Title: A deep learning model for brain vessel segmentation in 3DRA with
arteriovenous malformations
- Title（参考訳）: 動静脈奇形を伴う3DRAにおける脳血管セグメンテーションの深層学習モデル
- Authors: Camila Garc\'ia and Yibin Fang and Jianmin Liu and Ana Paula Narata
and Jos\'e Ignacio Orlando and Ignacio Larrabide
- Abstract要約: 本稿では,bAVM患者の3DRA画像における血管セグメンテーションに関する最初のディープラーニングモデルを提案する。
我々は、bAVMケースの5つの3DRAボリュームを密に注釈付けし、これらを使用して、異なるセグメンテーション目的の2つの代替3DUNetベースのアーキテクチャをトレーニングしました。
以上の結果から,bAVM解析の網羅的網羅的網羅的網羅的網羅性は,標準手法よりもはるかに良好であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.46180371154032895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation of brain arterio-venous malformations (bAVMs) in 3D rotational
angiographies (3DRA) is still an open problem in the literature, with high
relevance for clinical practice. While deep learning models have been applied
for segmenting the brain vasculature in these images, they have never been used
in cases with bAVMs. This is likely caused by the difficulty to obtain
sufficiently annotated data to train these approaches. In this paper we
introduce a first deep learning model for blood vessel segmentation in 3DRA
images of patients with bAVMs. To this end, we densely annotated 5 3DRA volumes
of bAVM cases and used these to train two alternative 3DUNet-based
architectures with different segmentation objectives. Our results show that the
networks reach a comprehensive coverage of relevant structures for bAVM
analysis, much better than what is obtained using standard methods. This is
promising for achieving a better topological and morphological characterisation
of the bAVM structures of interest. Furthermore, the models have the ability to
segment venous structures even when missing in the ground truth labelling,
which is relevant for planning interventional treatments. Ultimately, these
results could be used as more reliable first initial guesses, alleviating the
cumbersome task of creating manual labels.
- Abstract（参考訳）: 3次元回転血管造影(3DRA)における脳動脈静脈奇形(bAVMs)の分画は文献的にはまだ未解決の課題であり,臨床応用に高い関連性がある。
これらの画像の脳血管のセグメンテーションにはディープラーニングモデルが応用されているが、bAVMのケースでは使用されていない。
これはおそらく、これらのアプローチを訓練するのに十分な注釈付きデータを得るのが難しいためである。
本稿では,bAVM症例の3DRA画像における血管セグメンテーションに関する最初のディープラーニングモデルを提案する。
この目的のために、我々はbavmケースの5つの3draボリュームを密に注釈付けし、これらを使用して異なるセグメンテーション目的を持つ2つの代替3dunetベースのアーキテクチャを訓練した。
以上の結果から,bAVM解析の網羅的網羅的網羅的網羅的網羅性は,標準手法よりもはるかに良好であることが示唆された。
これは、興味のあるbAVM構造のより優れた位相的および形態的特徴化を達成するために有望である。
さらに,本モデルでは,介入治療計画に関係した基礎的真理ラベル付けに欠けている場合でも,静脈構造を分割する機能を備えている。
最終的には、これらの結果はより信頼性の高い最初の推測として利用でき、手動ラベルを作成するという面倒な作業を軽減することができる。
関連論文リスト
- vesselFM: A Foundation Model for Universal 3D Blood Vessel Segmentation [2.167228869154864]
本稿では3次元血管セグメンテーションの幅広い課題に特化して設計された基盤モデルである vesselFM を提案する。
以前のモデルとは異なり、 vesselFM は見当たらない領域に懸命に一般化することができる。
論文 参考訳（メタデータ） (2024-11-26T12:44:42Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳（メタデータ） (2023-11-22T11:15:38Z) - Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。
この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。
ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。
自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
論文 参考訳（メタデータ） (2023-09-21T09:06:36Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - Enforcing connectivity of 3D linear structures using their 2D
projections [54.0598511446694]
本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。
これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
論文 参考訳（メタデータ） (2022-07-14T11:42:18Z) - Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence [0.0]
アルツハイマー病の診断と予後を自動化するための深層学習法が提案されている。
これらの手法は、しばしば解釈可能性と一般化の欠如に悩まされる。
我々はこれらの制限を克服するために設計された新しいディープ・フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-07T13:02:53Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z)
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。