Fugu-MT 論文翻訳(概要): Comparison of different automatic solutions for resection cavity segmentation in postoperative MRI volumes including longitudinal acquisitions

論文の概要: Comparison of different automatic solutions for resection cavity segmentation in postoperative MRI volumes including longitudinal acquisitions

arxiv url: http://arxiv.org/abs/2210.07806v1
Date: Fri, 14 Oct 2022 13:37:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 15:25:00.726762
Title: Comparison of different automatic solutions for resection cavity segmentation in postoperative MRI volumes including longitudinal acquisitions
Title（参考訳）: 経時的取得を含む術後MRIボリュームにおける切除腔分割のための異なる自動解法の比較
Authors: Luca Canalini, Jan Klein, Nuno Pedrosa de Barros, Diana Maria Sima, Dorothea Miller, Horst Hahn
Abstract要約: 術後MRIボリュームのデータセットは4つのMRIシークエンスとそれに対応する切除腔の真理を含む。実験の結果,T1重み付き造影MRIでのみトレーニングした手法が最も良い結果が得られた。
参考スコア（独自算出の注目度）: 0.08388591755871731
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we compare five deep learning solutions to automatically segment the resection cavity in postoperative MRI. The proposed methods are based on the same 3D U-Net architecture. We use a dataset of postoperative MRI volumes, each including four MRI sequences and the ground truth of the corresponding resection cavity. Four solutions are trained with a different MRI sequence. Besides, a method designed with all the available sequences is also presented. Our experiments show that the method trained only with the T1 weighted contrast-enhanced MRI sequence achieves the best results, with a median DICE index of 0.81.
Abstract（参考訳）: 本研究では,5つの深達度学習法を比較し,術後MRIで自動的に切除腔を分割する。提案手法は同じ3次元U-Netアーキテクチャに基づいている。術後MRIボリュームのデータセットは4つのMRIシークエンスとそれに対応する切除腔の真理を含む。異なるMRIシーケンスで4つのソリューションをトレーニングする。さらに、利用可能な全てのシーケンスで設計されたメソッドも提示される。実験の結果,T1重み付き造影MRI画像のみを用いてトレーニングした手法は,中央値のDICE指数が0.81で最良の結果が得られることがわかった。

関連論文リスト

Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks [7.734037486455235]
胸部,腹部,骨盤のレベルで得られた3次元MRIの配列を自動分類する方法を提案する。われわれは,胸部,腹部,骨盤のMRI画像の3次元分類法を初めて開発した。
論文参考訳（メタデータ） (2024-02-12T22:34:57Z)
Deep Learning-based Intraoperative MRI Reconstruction [0.0]
深層学習(DL)モデルは,iMRIプロトコルのデータを模倣するために,高速MRIニューロデータセットを用いて訓練された。従来の圧縮感 (CS) 法と訓練されたDL再構成法との比較検討を行った。読影者1,2,3症例のうち,33/40例,39/40例,8例のCS再建に対して,DL再建は好意的あるいは好意的であった。
論文参考訳（メタデータ） (2024-01-23T13:57:50Z)
MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文参考訳（メタデータ） (2023-09-16T02:41:53Z)
A Radiomics-Incorporated Deep Ensemble Learning Model for Multi-Parametric MRI-based Glioma Segmentation [5.890417404600585]
グリオーマのセグメンテーション精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
論文参考訳（メタデータ） (2023-03-19T02:16:55Z)
Perfusion imaging in deep prostate cancer detection from mp-MRI: can we take advantage of it? [0.0]
深部神経アーキテクチャにおける灌流画像からの情報を統合するための戦略を評価する。ダイナミックコントラスト造影MR検査からの灌流マップでは,PCa病変のセグメンテーションとグレーディング性能に正の影響が認められた。
論文参考訳（メタデータ） (2022-07-06T07:55:46Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)
A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文参考訳（メタデータ） (2022-03-28T14:03:45Z)
ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation [6.643336433892116]
複数のエンコーダを用いた脳腫瘍セグメント化モデルを提案する。 4エンコーダはMRI画像の4つのモードに対応し、1対1の特徴抽出を行い、4つのモードの特徴マップをデコーダにマージする。また,新たな損失関数 "Categorical Dice" を導入し,異なるセグメント領域に対して異なる重みを同時に設定し,ボクセルの不均衡を解消した。
論文参考訳（メタデータ） (2022-03-21T14:42:05Z)
A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
論文参考訳（メタデータ） (2020-07-06T09:37:12Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)
4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。