論文の概要: Brain Tissue Segmentation Across the Human Lifespan via Supervised
Contrastive Learning
- arxiv url: http://arxiv.org/abs/2301.01369v1
- Date: Tue, 3 Jan 2023 21:54:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 15:33:12.520223
- Title: Brain Tissue Segmentation Across the Human Lifespan via Supervised
Contrastive Learning
- Title(参考訳): 教師付きコントラスト学習によるヒト生涯の脳組織分節化
- Authors: Xiaoyang Chen, Jinjian Wu, Wenjiao Lyu, Yicheng Zou, Kim-Han Thung,
Siyuan Liu, Ye Wu, Sahar Ahmad, Pew-Thian Yap
- Abstract要約: 深層学習モデルを用いて,脳組織をヒトの寿命全体(0~100歳)に分割する試みを初めて行った。
我々のモデルは脳組織を正確に分割し、既存の方法より優れています。
- 参考スコア(独自算出の注目度): 34.82366750668948
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic segmentation of brain MR images into white matter (WM), gray matter
(GM), and cerebrospinal fluid (CSF) is critical for tissue volumetric analysis
and cortical surface reconstruction. Due to dramatic structural and appearance
changes associated with developmental and aging processes, existing brain
tissue segmentation methods are only viable for specific age groups.
Consequently, methods developed for one age group may fail for another. In this
paper, we make the first attempt to segment brain tissues across the entire
human lifespan (0-100 years of age) using a unified deep learning model. To
overcome the challenges related to structural variability underpinned by
biological processes, intensity inhomogeneity, motion artifacts,
scanner-induced differences, and acquisition protocols, we propose to use
contrastive learning to improve the quality of feature representations in a
latent space for effective lifespan tissue segmentation. We compared our
approach with commonly used segmentation methods on a large-scale dataset of
2,464 MR images. Experimental results show that our model accurately segments
brain tissues across the lifespan and outperforms existing methods.
- Abstract(参考訳): 脳mr画像の白質(wm)、灰白質(gm)、脳脊髄液(csf)への自動分割は、組織体積分析および皮質表面再構成に重要である。
発達過程と加齢に伴う劇的な構造変化と外観変化のため、既存の脳組織分節法は特定の年齢層でのみ有効である。
その結果、ある年齢層で開発された方法が別の年齢層で失敗する可能性がある。
本稿では,脳組織を人間の寿命全体(0~100歳)に統一的な深層学習モデルを用いて分割する試みを初めて行った。
生物学的プロセス, 強度不均一性, 運動人工物, スキャナによる差分, および取得プロトコルによってもたらされる構造的変動にかかわる課題を克服するために, 生活空間における特徴表現の質を向上させるために, 比較学習を用いることを提案する。
2,464mr画像の大規模データセット上で,一般的なセグメンテーション手法と比較した。
実験の結果,我々のモデルは脳組織を正確に分割し,既存の方法より優れていることがわかった。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳(メタデータ) (2024-07-31T04:32:43Z) - ConUNETR: A Conditional Transformer Network for 3D Micro-CT Embryonic
Cartilage Segmentation [13.497950682194704]
本研究では, 形態学的に多様な情報を条件付き機構で蒸留するトランスフォーマーを用いた新しいセグメンテーションモデルを提案する。
実験では,他の競合セグメンテーションモデルと比較して,新しいモデルの優位性を示した。
論文 参考訳(メタデータ) (2024-02-06T04:30:49Z) - AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - MR-NOM: Multi-scale Resolution of Neuronal cells in Nissl-stained
histological slices via deliberate Over-segmentation and Merging [0.5273938705774914]
比較神経解剖学では、脳細胞構造の特徴は脳の構造と機能をよりよく理解するために重要である。
MR-NOMは、細胞をスーパーピクセルに意図的に過剰に分割し、形状、構造、強度の特徴に基づいて分類器を介してマージするマルチスケールアプローチを利用する。
この方法は大脳皮質の画像でテストされ、部分的に触れたり重なり合う様々な特性の細胞を扱うことに成功した。
論文 参考訳(メタデータ) (2022-11-14T14:42:29Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z) - Local semi-supervised approach to brain tissue classification in child
brain MRI [0.0]
小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。
本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。
本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
論文 参考訳(メタデータ) (2020-05-20T06:43:41Z)
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。