論文の概要: A Survey of Feature detection methods for localisation of plain sections
of Axial Brain Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2302.04173v1
- Date: Wed, 8 Feb 2023 16:24:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 15:35:13.319906
- Title: A Survey of Feature detection methods for localisation of plain sections
of Axial Brain Magnetic Resonance Imaging
- Title（参考訳）: Axial Brain Magnetic Resonance Imaging の平面部分の局所化のための特徴検出法の検討
- Authors: Ji\v{r}\'i Martin\r{u}, Jan Novotn\'y, Karel Ad\'amek, Petr
\v{C}erm\'ak, Ji\v{r}\'i Kozel, David \v{S}koloud\'ik
- Abstract要約: 患者のMRI画像と患者のMRIスライスを脳の模擬アトラスにマッピングすることは、脳のMRIの自動登録の鍵となる。
本研究では,脳のMRIと異なる患者のMRIのマッチングや,MRIのスライスと脳のアトラスの位置をマッチングする手法とアプローチを比較できるように,ロバストネス,精度,累積距離の計測と方法論を導入している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Matching MRI brain images between patients or mapping patients' MRI slices to
the simulated atlas of a brain is key to the automatic registration of MRI of a
brain. The ability to match MRI images would also enable such applications as
indexing and searching MRI images among multiple patients or selecting images
from the region of interest. In this work, we have introduced robustness,
accuracy and cumulative distance metrics and methodology that allows us to
compare different techniques and approaches in matching brain MRI of different
patients or matching MRI brain slice to a position in the brain atlas. To that
end, we have used feature detection methods AGAST, AKAZE, BRISK, GFTT, HardNet,
and ORB, which are established methods in image processing, and compared them
on their resistance to image degradation and their ability to match the same
brain MRI slice of different patients. We have demonstrated that some of these
techniques can correctly match most of the brain MRI slices of different
patients. When matching is performed with the atlas of the human brain, their
performance is significantly lower. The best performing feature detection
method was a combination of SIFT detector and HardNet descriptor that achieved
93% accuracy in matching images with other patients and only 52% accurately
matched images when compared to atlas.
- Abstract（参考訳）: 患者のMRI画像と患者のMRIスライスを脳の模擬アトラスにマッピングすることは、脳のMRIの自動登録の鍵となる。
MRI画像にマッチする機能は、複数の患者間でMRI画像のインデックス付けや検索、興味のある領域からの画像の選択などを可能にする。
本研究では,脳のMRIと異なる患者のMRIのマッチングや,MRIのスライスと脳のアトラスの位置をマッチングする手法とアプローチを比較できるように,ロバストネス,精度,累積距離の測定手法を導入している。
そこで我々は,画像処理において確立された手法であるアガスト,アカゼ,ブリスク,gftt,ハードネット,orbの特徴検出法を用いて,画像劣化に対する耐性と,異なる患者の同じ脳mriスライスに適合する能力について比較した。
これらの手法のいくつかは、異なる患者の脳mriスライスのほとんどと正しくマッチできることを実証した。
人間の脳のアトラスとマッチングした場合、その性能は著しく低下する。
最も優れた特徴検出方法はsift検出器とhardnetディスクリプタの組み合わせで、他の患者とのマッチングで93%の精度を達成し、atlasと比較して52%の精度で一致した。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Detecting Brain Tumors through Multimodal Neural Networks [0.0]
本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。
結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
論文 参考訳（メタデータ） (2024-01-10T13:06:52Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn) [9.082208613256295]
本稿では,脳MR画像合成ベンチマーク(BraSyn)とMICCAI(Medical Image Computing and Computer-Assisted Intervention)2023を併用して,脳MR画像合成ベンチマーク(BraSyn)の確立について紹介する。
この課題の主な目的は、複数の利用可能な画像が提供される際に、MRIの欠落を現実的に生成できる画像合成手法を評価することである。
論文 参考訳（メタデータ） (2023-05-15T20:49:58Z) - SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning [0.0]
Segment Anything Model (SAM)は、より正確で堅牢で汎用的なツールとして、幅広い脳の抽出とセグメンテーションの応用の可能性を秘めている。
我々はSAMを、様々な画像品質、MR配列、脳の病変が異なる脳領域に影響を及ぼす様々な脳スキャンにおいて、BETと呼ばれる、広く使われている現在の金の標準技術と比較した。
論文 参考訳（メタデータ） (2023-04-10T17:50:52Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Deep learning facilitates fully automated brain image registration of
optoacoustic tomography and magnetic resonance imaging [6.9975936496083495]
マルチスペクトル光音響トモグラフィ(Multi-spectral optoacoustic tomography、MSOT)は、歯状脳からの多重分子および機能情報を提供する新しい光学イメージング法である。
磁気共鳴イメージング(MRI)により、優れたソフト・コントラストと高分解能脳解剖学を提供することができる。
マルチモーダル画像の登録は、主にこれらのモダリティによって描画される全く異なる画像コントラストのために、依然として困難である。
本稿では,深層学習によるMSOT-MRIマルチモーダル画像の完全自動登録手法を提案する。
論文 参考訳（メタデータ） (2021-09-04T14:50:44Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳（メタデータ） (2021-06-14T12:19:27Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z)
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。