論文の概要: Fourier Disentangled Multimodal Prior Knowledge Fusion for Red Nucleus
Segmentation in Brain MRI
- arxiv url: http://arxiv.org/abs/2211.01353v1
- Date: Wed, 2 Nov 2022 17:54:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 13:01:34.909396
- Title: Fourier Disentangled Multimodal Prior Knowledge Fusion for Red Nucleus
Segmentation in Brain MRI
- Title(参考訳): 脳MRIにおける赤核偏位に対するFourier Disentangled Multimodal Prior Knowledge Fusion
- Authors: Guanghui Fu, Gabriel Jimenez, Sophie Loizillon, Rosana El Jurdi, Lydia
Chougar, Didier Dormont, Romain Valabregue, Ninon Burgos, St\'ephane
Leh\'ericy, Daniel Racoceanu, Olivier Colliot, the ICEBERG Study Group
- Abstract要約: 赤核は中脳の構造であり、パーキンソン病において重要な役割を果たす。
我々は、赤核分割のための異なるコントラストからの事前知識を統合する新しいモデルを提案する。
- 参考スコア(独自算出の注目度): 1.8596805118803879
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early and accurate diagnosis of parkinsonian syndromes is critical to provide
appropriate care to patients and for inclusion in therapeutic trials. The red
nucleus is a structure of the midbrain that plays an important role in these
disorders. It can be visualized using iron-sensitive magnetic resonance imaging
(MRI) sequences. Different iron-sensitive contrasts can be produced with MRI.
Combining such multimodal data has the potential to improve segmentation of the
red nucleus. Current multimodal segmentation algorithms are computationally
consuming, cannot deal with missing modalities and need annotations for all
modalities. In this paper, we propose a new model that integrates prior
knowledge from different contrasts for red nucleus segmentation. The method
consists of three main stages. First, it disentangles the image into high-level
information representing the brain structure, and low-frequency information
representing the contrast. The high-frequency information is then fed into a
network to learn anatomical features, while the list of multimodal
low-frequency information is processed by another module. Finally, feature
fusion is performed to complete the segmentation task. The proposed method was
used with several iron-sensitive contrasts (iMag, QSM, R2*, SWI). Experiments
demonstrate that our proposed model substantially outperforms a baseline UNet
model when the training set size is very small.
- Abstract(参考訳): パーキンソン症候群の早期かつ正確な診断は、患者に適切な治療を提供し、治療に含めるために重要である。
赤核は、これらの疾患において重要な役割を果たす中脳の構造である。
鉄感応性磁気共鳴画像(MRI)を用いて可視化することができる。
異なる鉄感受性のコントラストはMRIで生成できる。
このようなマルチモーダルデータを組み合わせることで、赤色核のセグメンテーションを改善することができる。
現在のマルチモーダルセグメンテーションアルゴリズムは計算的に消費され、欠如したモダリティに対処できず、全てのモダリティに注釈を必要とする。
本稿では,赤核セグメンテーションのための異なるコントラストからの事前知識を統合する新しいモデルを提案する。
方法は3つの主要なステージから構成される。
まず、画像を脳構造を表す高レベル情報と、コントラストを表す低周波情報とに分離する。
そして、高周波情報をネットワークに入力して解剖学的特徴を学習し、マルチモーダル低周波情報の一覧を別のモジュールで処理する。
最後に、セグメンテーションタスクを完了するために機能融合を行う。
提案手法は, 鉄感受性コントラスト (iMag, QSM, R2*, SWI) を用いた。
実験により,トレーニングセットサイズが極めて小さい場合,提案モデルがベースラインunetモデルを大きく上回ることを示した。
関連論文リスト
- MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳(メタデータ) (2024-03-27T02:42:52Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳(メタデータ) (2023-04-17T08:34:41Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - SMU-Net: Style matching U-Net for brain tumor segmentation with missing
modalities [4.855689194518905]
MRI画像における脳腫瘍のセグメント化のためのスタイルマッチングU-Net(SMU-Net)を提案する。
我々の共同学習手法は、コンテンツとスタイルマッチング機構を用いて、全モダリティネットワークから欠落したモダリティネットワークに情報的特徴を蒸留する。
我々のスタイルマッチングモジュールは、一致した関数を学習して表現空間を適応的に再構成し、情報的特徴とテクスチャ的特徴を完全なモダリティパスから欠落モダリティパスに転送する。
論文 参考訳(メタデータ) (2022-04-06T17:55:19Z) - Latent Correlation Representation Learning for Brain Tumor Segmentation
with Missing MRI Modalities [2.867517731896504]
MR画像から正確な脳腫瘍を抽出することが臨床診断と治療計画の鍵となる。
臨床におけるいくつかのイメージングモダリティを見逃すのが一般的です。
本稿では,新しい脳腫瘍分割アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-13T14:21:09Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z) - Meta-modal Information Flow: A Method for Capturing Multimodal Modular
Disconnectivity in Schizophrenia [11.100316178148994]
統合失調症(SZ)における解離と機能不全の仮説に対処するための多モードデータを活用する手法を提案する。
マルチモーダルデータセットを通して精神疾患に関連するリンクを特定するために,GGMに適用可能なモジュール性に基づく手法を提案する。
シミュレーションと実データにより,本手法は単一モダリティに焦点をあてて欠落する疾患関連ネットワーク破壊に関する重要な情報を明らかにする。
論文 参考訳(メタデータ) (2020-01-06T18:46:41Z)
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。