Fugu-MT 論文翻訳(概要): Cortical analysis of heterogeneous clinical brain MRI scans for large-scale neuroimaging studies

論文の概要: Cortical analysis of heterogeneous clinical brain MRI scans for large-scale neuroimaging studies

arxiv url: http://arxiv.org/abs/2305.01827v1
Date: Tue, 2 May 2023 23:36:06 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 16:21:05.451687
Title: Cortical analysis of heterogeneous clinical brain MRI scans for large-scale neuroimaging studies
Title（参考訳）: 大規模脳画像研究のための異種脳MRI画像の皮質解析
Authors: Karthik Gopinath, Douglas N. Greve, Sudeshna Das, Steve Arnold, Colin Magdamo, and Juan Eugenio Iglesias
Abstract要約: 皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定など、MRIによるヒトの神経イメージングにおいてユビキタスである。臨床脳MRI検査における大脳皮質再建, 登録, パーセレーション, 厚み推定法について検討した。
参考スコア（独自算出の注目度）: 2.930354460501359
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Surface analysis of the cortex is ubiquitous in human neuroimaging with MRI, e.g., for cortical registration, parcellation, or thickness estimation. The convoluted cortical geometry requires isotropic scans (e.g., 1mm MPRAGEs) and good gray-white matter contrast for 3D reconstruction. This precludes the analysis of most brain MRI scans acquired for clinical purposes. Analyzing such scans would enable neuroimaging studies with sample sizes that cannot be achieved with current research datasets, particularly for underrepresented populations and rare diseases. Here we present the first method for cortical reconstruction, registration, parcellation, and thickness estimation for clinical brain MRI scans of any resolution and pulse sequence. The methods has a learning component and a classical optimization module. The former uses domain randomization to train a CNN that predicts an implicit representation of the white matter and pial surfaces (a signed distance function) at 1mm isotropic resolution, independently of the pulse sequence and resolution of the input. The latter uses geometry processing to place the surfaces while accurately satisfying topological and geometric constraints, thus enabling subsequent parcellation and thickness estimation with existing methods. We present results on 5mm axial FLAIR scans from ADNI and on a highly heterogeneous clinical dataset with 5,000 scans. Code and data are publicly available at https://surfer.nmr.mgh.harvard.edu/fswiki/recon-all-clinical
Abstract（参考訳）: 皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定などのMRIによるヒト神経画像においてユビキタスである。畳み込んだ皮質形状は、等方性スキャン(1mmのmpragなど)と良好な灰白質コントラストを必要とする。これは臨床目的で取得されたほとんどの脳MRIスキャンの分析を妨げる。このようなスキャンを分析することで、現在の研究データセットでは達成できないサンプルサイズの神経画像の研究が可能になる。そこで本研究では,脳mri画像の分解能およびパルスシーケンスにおける皮質再構成,登録,小胞体化,厚み推定のための第1の方法を提案する。このメソッドは学習コンポーネントと古典的な最適化モジュールを備えている。前者は、パルスシーケンスと入力の解像度とは無関係に、1mmの等方性でホワイトマターとピアル表面(符号付き距離関数)の暗黙的な表現を予測するcnnを訓練するためにドメインランダム化を用いる。後者は幾何処理を用いて表面を正確な位相的制約と幾何的制約を満足させ、既存の手法によるその後のパーセレーションと厚さ推定を可能にする。今回,ADNIの5mm軸FLAIRスキャンと5,000スキャンを用いた高度不均一な臨床データセットについて報告する。コードとデータはhttps://surfer.nmr.mgh.harvard.edu/fswiki/recon-all-clinicalで公開されている。

関連論文リスト

Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance from High-Quality Isotropic Volumes [52.242103848335354]
本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
論文参考訳（メタデータ） (2023-08-13T12:51:15Z)
K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文参考訳（メタデータ） (2023-07-10T01:26:48Z)
Automated deep learning segmentation of high-resolution 7 T postmortem MRI for quantitative analysis of structure-pathology correlations in neurodegenerative diseases [33.191270998887326]
7T全体MRIスキャナーにT2wシークエンスを用いて0.3 mm$3$等方性で画像化した,高分解能のヒト脳組織標本135点について報告する。また、7Tで0.28mm3および0.16mm3等方性T2*w FLASH配列を取得。
論文参考訳（メタデータ） (2023-03-21T23:44:02Z)
Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets [1.0499611180329802]
異種臨床データセットの堅牢な解析を可能にするAIセグメンテーションスイートであるSynthSeg+を提案する。具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、欠陥セグメンテーションの自動検出も行う。われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
論文参考訳（メタデータ） (2022-09-05T16:09:24Z)
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)
Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining [1.0499611180329802]
クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
論文参考訳（メタデータ） (2022-03-03T19:18:28Z)
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)
Joint super-resolution and synthesis of 1 mm isotropic MP-RAGE volumes from clinical MRI exams with scans of different orientation, resolution and contrast [4.987889348212769]
コントラスト,解像度,方向の異なる1つ以上の厚いスライススキャンを受信するCNNの訓練方法であるSynthSRを提案する。提案手法では,ストリッピングやバイアスフィールド補正などの前処理は不要である。
論文参考訳（メタデータ） (2020-12-24T17:29:53Z)
Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
論文参考訳（メタデータ） (2020-10-04T19:46:04Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。