論文の概要: SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning
- arxiv url: http://arxiv.org/abs/2304.04738v3
- Date: Wed, 19 Apr 2023 21:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 16:01:24.168937
- Title: SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning
- Title（参考訳）: SAM vs BET:深層学習を用いた磁気共鳴画像の脳抽出と分割の比較研究
- Authors: Sovesh Mohapatra, Advait Gosai, Gottfried Schlaug
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain extraction is a critical preprocessing step in various neuroimaging
studies, particularly enabling accurate separation of brain from non-brain
tissue and segmentation of relevant within-brain tissue compartments and
structures using Magnetic Resonance Imaging (MRI) data. FSL's Brain Extraction
Tool (BET), although considered the current gold standard for automatic brain
extraction, presents limitations and can lead to errors such as over-extraction
in brains with lesions affecting the outer parts of the brain, inaccurate
differentiation between brain tissue and surrounding meninges, and
susceptibility to image quality issues. Recent advances in computer vision
research have led to the development of the Segment Anything Model (SAM) by
Meta AI, which has demonstrated remarkable potential in zero-shot segmentation
of objects in real-world scenarios. In the current paper, we present a
comparative analysis of brain extraction techniques comparing SAM with a widely
used and current gold standard technique called BET on a variety of brain scans
with varying image qualities, MR sequences, and brain lesions affecting
different brain regions. We find that SAM outperforms BET based on average Dice
coefficient, IoU and accuracy metrics, particularly in cases where image
quality is compromised by signal inhomogeneities, non-isotropic voxel
resolutions, or the presence of brain lesions that are located near (or
involve) the outer regions of the brain and the meninges. In addition, SAM has
also unsurpassed segmentation properties allowing a fine grain separation of
different issue compartments and different brain structures. These results
suggest that SAM has the potential to emerge as a more accurate, robust and
versatile tool for a broad range of brain extraction and segmentation
applications.
- Abstract（参考訳）: 脳抽出は、様々な神経画像研究において重要な前処理であり、特に脳の非脳組織からの正確な分離と、mri(mri)データを用いた脳内組織区画と構造の分割を可能にする。
fslの脳抽出ツール(bet:brain extraction tool)は、脳の自動抽出の現在の標準とされるが、限界があり、脳の外側に損傷のある脳の過剰抽出、脳組織と周囲の髄膜との不正確な分化、画像の品質問題への感受性などの誤りを引き起こす可能性がある。
近年のコンピュータビジョン研究の進歩により、meta aiによるsegment anything model(sam)の開発につながった。
本報告では,脳の様々な領域に影響を及ぼす画像品質,MR配列,脳病変の異なる様々な脳スキャンにおいて,SAMと広く使用されている金標準法であるBETを比較した脳抽出法の比較分析を行った。
特に,信号不均一性,非等方性ボクセル分解能,脳外領域の近傍(あるいは髄膜)に位置する脳病変の存在によって画像品質が損なわれる場合において,samは平均サイス係数,iou,正確度指標に基づいてベットを上回った。
さらにSAMは、異なる課題区画と異なる脳構造を微細に分離することのできるセグメンテーション特性も克服していない。
これらの結果は、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示唆している。
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) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - Segment anything model (SAM) for brain extraction in fMRI studies [0.0]
我々は頭蓋骨のアーティファクトを除去することで脳のセグメンテーションを神経画像化するためのセグメントモデル(SAM)を用いる。
実験の結果は、カスタムな医用画像データセットをトレーニングすることなく、神経画像の自動分割アルゴリズムを用いて探索する有望な結果を示した。
論文 参考訳（メタデータ） (2024-01-09T06:25:09Z) - Brain-ID: Learning Contrast-agnostic Anatomical Representations for
Brain Imaging [11.06907516321673]
脳画像のための解剖学的表現学習モデルであるBrain-IDを導入する。
提案された"Mild-to-Severe"イントラオブジェクト生成により、Brain-IDは被験者固有の脳解剖に対して堅牢である。
本稿では,物体内および物体間ロバスト性を評価するための新しい指標を提案し,その性能を4つの下流アプリケーションで評価する。
論文 参考訳（メタデータ） (2023-11-28T16:16:10Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文 参考訳（メタデータ） (2023-03-11T14:04:58Z) - 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) - A Survey of Feature detection methods for localisation of plain sections
of Axial Brain Magnetic Resonance Imaging [0.0]
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。
論文 参考訳（メタデータ） (2023-02-08T16:24:09Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - 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) - 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。