論文の概要: White Matter Hyperintensities Segmentation Using Probabilistic TransUNet

• arxiv url: http://arxiv.org/abs/2305.03912v1
• Date: Sat, 6 May 2023 03:31:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 18:44:29.044402
• Title: White Matter Hyperintensities Segmentation Using Probabilistic TransUNet
• Title（参考訳）: 確率的TransUNetを用いたホワイトマターハイパーインテンシティセグメンテーション
• Authors: Muhammad Noor Dwi Eldianto, Muhammad Febrian Rachmadi, Wisnu Jatmiko
• Abstract要約: ホワイト・マター・ハイパーインテンシティ(White Matter Hyperintensities、WMH)は、他の通常の脳領域よりも高い強度を持つ脳の領域である。 WMHの検出には、高い曖昧さと小さなWMHの検出の難しさの2つの共通点がある。 本稿では,小物体分割の精度と医用画像のあいまいさに対処するため,確率的トランスUNetという手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: White Matter Hyperintensities (WMH) are areas of the brain that have higher intensity than other normal brain regions on Magnetic Resonance Imaging (MRI) scans. WMH is often associated with small vessel disease in the brain, making early detection of WMH important. However, there are two common issues in the detection of WMH: high ambiguity and difficulty in detecting small WMH. In this study, we propose a method called Probabilistic TransUNet to address the precision of small object segmentation and the high ambiguity of medical images. To measure model performance, we conducted a k-fold cross validation and cross dataset robustness experiment. Based on the experiments, the addition of a probabilistic model and the use of a transformer-based approach were able to achieve better performance.
• Abstract（参考訳）: ホワイトマター・ハイパーインテンシティ(White Matter Hyperintensities、WMH)は、MRI(MRI)スキャンにおいて、他の通常の脳領域よりも強い強度を持つ脳の領域である。 WMHはしばしば脳の小さな血管疾患と関連しており、WMHの早期発見が重要である。 しかしながら、WMHの検出には2つの一般的な問題がある: 曖昧さと小さなWMHの検出の困難さである。 本研究では,小物体分割の精度と医用画像のあいまいさに対処するため,確率的トランスUNetという手法を提案する。 モデル性能を測定するために,k-fold cross validationとcross dataset robustness実験を行った。 実験に基づき、確率モデルの追加とトランスフォーマーベースのアプローチを用いることで、より良い性能を実現することができた。

関連論文リスト

• Uncertainty quantification for White Matter Hyperintensity segmentation detects silent failures and improves automated Fazekas quantification [3.1773635209430036]
  ホワイトマター・ハイパーインテンシティ(White Matter Hyperintensities、WMH)は、脳MRIに存在する小血管疾患の主要な神経放射線学的マーカーである。 WMHは, 形状, 位置, サイズ, 未定義境界, および他の病理と類似の強度プロファイルにより, セグメンテーションが困難である。 WMHの不確実性情報を組み込むことで,ファゼカス分類性能と校正性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-26T16:34:24Z)
• Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI [10.838380521119968]
  脳萎縮と白質高強度は、脳の損傷を確かめるための重要な神経画像特徴である。 信号-雑音比(SNR)の高い高分解能MRIを必要とする既存手法 そこで本研究では,白質の超強度と36個の脳領域を,再トレーニングを伴わない解像度とコントラスト(pMRIを含む)のスキャンから分割する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T15:47:50Z)
• 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)
• One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities [0.0]
  本稿では,シャムパッチを用いた自動エンコーダによって構築された潜在空間に基づく教師なし異常検出(UAD)手法を提案する。 これまでに報告された2つの最先端手法と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-04-17T08:19:23Z)
• 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)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes for Medical Image Super-Resolution [56.622832383316215]
  超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。 我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。 それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
  論文  参考訳（メタデータ） (2022-04-08T07:56:55Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)
• 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)
• White matter hyperintensities volume and cognition: Assessment of a deep learning based lesion detection and quantification algorithm on the Alzheimers Disease Neuroimaging Initiative [0.46180371154032895]
  深層学習に基づくWMHセグメンテーションアルゴリズムStackGen-Netを用いて,ADNIから3次元FLAIRボリューム上でWMHを検出し定量化する。 被験者のより大きなコホートでは、より大きなWMHがエグゼクティブ機能、メモリ、および言語のパフォーマンスの悪化と相関があることを観察しました。
  論文  参考訳（メタデータ） (2020-12-24T01:32:33Z)
• Brain Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation [7.722043714235414]
  ホワイトマター・ハイパーインテンシティ(White Matter Hyperintensities, WMH)は、脳MRIにおける脳小血管疾患(cSVD)の最も一般的な症状である。 既存のWMHセグメンテーションアルゴリズムの多くは、流体減衰インバージョンリカバリ(FLAIR)画像とT1重み付き画像の両方を入力として必要とする。 我々は,空間登録された白色物質(WM)脳アトラスを用いたFLAIR画像のみを利用して,競争力のあるWMHセグメンテーション性能を得る新しい脳アトラス(BAGAU-Net)を提案する。
  論文  参考訳（メタデータ） (2020-10-19T15:10:50Z)

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。