Fugu-MT 論文翻訳(概要): Precise Few-shot Fat-free Thigh Muscle Segmentation in T1-weighted MRI

論文の概要: Precise Few-shot Fat-free Thigh Muscle Segmentation in T1-weighted MRI

arxiv url: http://arxiv.org/abs/2304.14053v1
Date: Thu, 27 Apr 2023 09:33:29 GMT
ステータス: 処理完了
システム内更新日: 2023-04-28 13:57:47.001127
Title: Precise Few-shot Fat-free Thigh Muscle Segmentation in T1-weighted MRI
Title（参考訳）: T1強調MRIにおけるFat-free Thigh muscle Segmentationの精度
Authors: Sheng Chen, Zihao Tang, Dongnan Liu, Ch\'e Fornusek, Michael Barnett, Chenyu Wang, Mariano Cabezas, Weidong Cai
Abstract要約: T1強調MRIは、大腿筋マスクを得るためのデフォルトのサロゲートである。ディープ・ラーニング・アプローチは、最近、セグメンテーションを通じてこれらのマスクを得るために広く使われている。我々はIMFを除く大腿筋マスクを生成するための数発のセグメンテーションフレームワークを提案する。
参考スコア（独自算出の注目度）: 22.292183145915548
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Precise thigh muscle volumes are crucial to monitor the motor functionality of patients with diseases that may result in various degrees of thigh muscle loss. T1-weighted MRI is the default surrogate to obtain thigh muscle masks due to its contrast between muscle and fat signals. Deep learning approaches have recently been widely used to obtain these masks through segmentation. However, due to the insufficient amount of precise annotations, thigh muscle masks generated by deep learning approaches tend to misclassify intra-muscular fat (IMF) as muscle impacting the analysis of muscle volumetrics. As IMF is infiltrated inside the muscle, human annotations require expertise and time. Thus, precise muscle masks where IMF is excluded are limited in practice. To alleviate this, we propose a few-shot segmentation framework to generate thigh muscle masks excluding IMF. In our framework, we design a novel pseudo-label correction and evaluation scheme, together with a new noise robust loss for exploiting high certainty areas. The proposed framework only takes $1\%$ of the fine-annotated training dataset, and achieves comparable performance with fully supervised methods according to the experimental results.
Abstract（参考訳）: 重症大腿筋量(英語版)は、種々の大腿筋喪失を引き起こす疾患患者の運動機能を監視するために重要である。 T1強調MRIは、筋信号と脂肪信号のコントラストにより、大腿筋マスクを得るためのデフォルトのサロゲートである。ディープラーニングのアプローチは最近、セグメンテーションを通じてこれらのマスクを取得するために広く使われている。しかし, 詳細な注釈が不十分なため, 深層学習による大腿筋マスクは筋容積分析に影響を及ぼす筋肉として筋内脂肪 (IMF) を誤分類する傾向にある。 IMFは筋肉の中に浸透しているため、人間のアノテーションには専門知識と時間が必要である。したがって、imfを除外した正確な筋肉マスクは実際に限定される。そこで本研究では,imf を除いた大腿筋マスク生成のための数ショットセグメンテーションフレームワークを提案する。提案手法では,新しい擬似ラベル補正と評価手法を設計し,高確実性領域を活用できる新しいノイズロバスト損失を設計する。提案フレームワークは,細かな注釈付きトレーニングデータセットの1～%$しか受け取らず,実験結果に従えば,完全な教師付き手法で同等のパフォーマンスを達成している。

関連論文リスト

Predicting Muscle Thickness Deformation from Muscle Activation Patterns: A Dual-Attention Framework [0.0]
表面筋電図(sEMG)は筋の生体電気信号を筋の活性化として記録する。本稿では筋厚の変形予測にsEMG信号を利用するディープラーニング手法を提案する。
論文参考訳（メタデータ） (2024-09-26T20:21:35Z)
Upper-body free-breathing Magnetic Resonance Fingerprinting applied to the quantification of water T1 and fat fraction [0.0]
そこで本稿では, 動き補正(MoCo) MRF T1-FF という新しい手法を提案し, 最適化された予備動作スキャンを用いて運動場を推定する。 MRFマップでは, 呼吸筋, 肝臓, ぼやけなどの運動に強く影響された部位において, 運動補正後の運動の減少と, 失明の進行が顕著であった。
論文参考訳（メタデータ） (2024-09-24T15:57:35Z)
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)
Muscle volume quantification: guiding transformers with anatomical priors [1.8951649296071207]
3次元磁気共鳴画像を用いた下肢18筋の自動分割法を提案する。筋肉分節アルゴリズムは外観に依存しないが、輪郭の手がかりにのみ依存する。本稿では,このようなハイブリッドアーキテクチャの挙動を,形状解析における筋分節の文脈で初めて考察する。
論文参考訳（メタデータ） (2023-10-31T10:56:10Z)
Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文参考訳（メタデータ） (2023-07-13T10:21:34Z)
Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。 MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文参考訳（メタデータ） (2023-01-30T18:33:32Z)
Single Slice Thigh CT Muscle Group Segmentation with Domain Adaptation and Self-Training [19.86796625044402]
3次元MRから1枚のCTスライスにラベルを転送する自己学習による教師なし領域適応パイプラインを提案する。 152例において,全筋群の平均Diceは0.888(0.041)であった。
論文参考訳（メタデータ） (2022-11-30T19:04:17Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)
Fast and Robust Femur Segmentation from Computed Tomography Images for Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文参考訳（メタデータ） (2022-04-20T16:16:16Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)
Adipose Tissue Segmentation in Unlabeled Abdomen MRI using Cross Modality Domain Adaptation [4.677846923899843]
腹部脂肪定量は、この領域内に複数の重要な臓器があるため重要である。本研究では,MRI画像から脂肪組織を自動的に定量化するディープラーニング手法に基づくアルゴリズムを提案する。本手法はMRスキャンの教師付きラベル付けを必要としないが,パイプライン構築にはC-GAN (Cycle Generative Adversarial Network) を用いる。
論文参考訳（メタデータ） (2020-05-11T17:41:39Z)

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。