論文の概要: Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep
Learning Framework Incorporating Laplace's Equation
- arxiv url: http://arxiv.org/abs/2303.00795v2
- Date: Fri, 3 Mar 2023 15:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 11:39:16.061723
- Title: Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep
Learning Framework Incorporating Laplace's Equation
- Title（参考訳）: ラプラス方程式を組み込んだ深層学習フレームワークを用いた皮質灰白質の深部硫黄分画の改善
- Authors: Sadhana Ravikumar, Ranjit Ittyerah, Sydney Lim, Long Xie, Sandhitsu
Das, Pulkit Khandelwal, Laura E.M. Wisse, Madigan L. Bedard, John L.
Robinson, Terry Schuck, Murray Grossman, John Q. Trojanowski, Edward B. Lee,
M. Dylan Tisdall, Karthik Prabhakaran, John A. Detre, David J. Irwin,
Winifred Trotman, Gabor Mizsei, Emilio Artacho-P\'erula, Maria Mercedes
I\~niguez de Onzono Martin, Maria del Mar Arroyo Jim\'enez, Monica Mu\~noz,
Francisco Javier Molina Romero, Maria del Pilar Marcos Rabal, Sandra
Cebada-S\'anchez, Jos\'e Carlos Delgado Gonz\'alez, Carlos de la Rosa-Prieto,
Marta C\'orcoles Parada, David A. Wolk, Ricardo Insausti, Paul A. Yushkevich
- Abstract要約: 本研究では, 学習過程において, 大脳皮質の形状に関する事前知識をネットワークに組み込む, 深層学習に基づく新しい皮質分割法を提案する。
提案手法は,定量的かつ定性的に,ベースラインセグメンテーションネットワークよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.416464319867881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When developing tools for automated cortical segmentation, the ability to
produce topologically correct segmentations is important in order to compute
geometrically valid morphometry measures. In practice, accurate cortical
segmentation is challenged by image artifacts and the highly convoluted anatomy
of the cortex itself. To address this, we propose a novel deep learning-based
cortical segmentation method in which prior knowledge about the geometry of the
cortex is incorporated into the network during the training process. We design
a loss function which uses the theory of Laplace's equation applied to the
cortex to locally penalize unresolved boundaries between tightly folded sulci.
Using an ex vivo MRI dataset of human medial temporal lobe specimens, we
demonstrate that our approach outperforms baseline segmentation networks, both
quantitatively and qualitatively.
- Abstract（参考訳）: 自動大脳皮質セグメンテーションのためのツールを開発する際には,幾何的に有効な形態計測値を計算するために,位相的に正しいセグメンテーションを生成する能力が重要である。
実際には、正確な皮質セグメンテーションは、画像アーティファクトと、大脳皮質自体の非常に複雑な解剖によって挑戦される。
そこで本研究では,学習過程中に皮質の形状に関する事前知識をネットワークに組み込む,新しい深層学習に基づく皮質セグメンテーション手法を提案する。
ラプラス方程式を大脳皮質に適用した損失関数を設計し、密に折り畳まれたサッチ間の未解決境界を局所的に解析する。
ヒトの側頭葉標本の生体外MRIデータセットを用いて,本手法が定量的および定性的にベースラインセグメンテーションネットワークより優れていることを示す。
関連論文リスト
- Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。
クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。
本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-07T07:43:52Z) - Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
トポロジカルデータ解析(TDA)を用いたMRI画像の分割法について述べる。
これは3つのステップで機能し、まずは自動しきい値設定によってオブジェクト全体をセグメントに識別し、次に事前にトポロジが知られている特定の部分集合を検出し、最後にセグメンテーションの様々な成分を推論する。
脳MRIにおけるグリオブラスト腫分画の例について検討し、2次元スライスが円である胎児脳MRIにおいて、シリンダーを含む心臓MRIにおける心筋、および皮質プレート検出について検討した。
論文 参考訳（メタデータ） (2024-01-02T11:43:49Z) - Cascaded multitask U-Net using topological loss for vessel segmentation
and centerline extraction [2.264332709661011]
本稿では,血管骨格をセグメント化から直接計算するU-Netによるソフトスケルトンアルゴリズムの置き換えを提案する。
セグメンテーション中にトポロジ的制約を埋め込むために、clDice損失をトレーニングしたカスケードU-Netをこのネットワーク上に構築する。
論文 参考訳（メタデータ） (2023-07-21T14:12:28Z) - TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance [66.43360974979386]
拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
論文 参考訳（メタデータ） (2023-07-08T14:10:37Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z) - Spatially Dependent U-Nets: Highly Accurate Architectures for Medical
Imaging Segmentation [10.77039660100327]
解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。
提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。
本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
論文 参考訳（メタデータ） (2021-03-22T10:37:20Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Progressive Spatio-Temporal Graph Convolutional Network for
Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。
骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文 参考訳（メタデータ） (2020-11-11T09:57:49Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。
提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。
我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
論文 参考訳（メタデータ） (2020-07-09T23:17:40Z) - Towards Interpretable Semantic Segmentation via Gradient-weighted Class
Activation Mapping [71.91734471596432]
本稿では,セマンティックセグメンテーションの解法としてSEG-GRAD-CAMを提案する。
本手法は,各画素のセグメンテーションに対する関連性を示すヒートマップを作成するために局所的に適用された広く使われているGrad-CAM法の拡張である。
論文 参考訳（メタデータ） (2020-02-26T12:32:40Z)
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。