論文の概要: Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions
- arxiv url: http://arxiv.org/abs/2306.11714v1
- Date: Tue, 20 Jun 2023 17:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 13:18:06.487763
- Title: Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions
- Title（参考訳）: 脳病変の分節化のための転移学習のメタ分析
- Authors: Sovesh Mohapatra, Advait Gosai, Anant Shinde, Aleksei Rutkovskii,
Sirisha Nouduri, Gottfried Schlaug
- Abstract要約: 3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A major challenge in stroke research and stroke recovery predictions is the
determination of a stroke lesion's extent and its impact on relevant brain
systems. Manual segmentation of stroke lesions from 3D magnetic resonance (MR)
imaging volumes, the current gold standard, is not only very time-consuming,
but its accuracy highly depends on the operator's experience. As a result,
there is a need for a fully automated segmentation method that can efficiently
and objectively measure lesion extent and the impact of each lesion to predict
impairment and recovery potential which might be beneficial for clinical,
translational, and research settings. We have implemented and tested a fully
automatic method for stroke lesion segmentation which was developed using eight
different 2D-model architectures trained via transfer learning (TL) and mixed
data approaches. Additionally, the final prediction was made using a novel
ensemble method involving stacking and agreement window. Our novel method was
evaluated in a novel in-house dataset containing 22 T1w brain MR images, which
were challenging in various perspectives, but mostly because they included T1w
MR images from the subacute (which typically less well defined T1 lesions) and
chronic stroke phase (which typically means well defined T1-lesions).
Cross-validation results indicate that our new method can efficiently and
automatically segment lesions fast and with high accuracy compared to ground
truth. In addition to segmentation, we provide lesion volume and weighted
lesion load of relevant brain systems based on the lesions' overlap with a
canonical structural motor system that stretches from the cortical motor region
to the lowest end of the brain stem.
- Abstract（参考訳）: 脳卒中研究と脳卒中回復予測における大きな課題は、脳卒中病変の範囲と関連する脳系への影響の決定である。
現在の金本位制である3次元磁気共鳴(mr)画像から手作業による脳卒中病変の分割は、非常に時間を要するだけでなく、その精度も操作者の経験に大きく依存する。
その結果, 臨床的, 翻訳的, 研究的設定に有益と思われる障害・回復可能性を予測するために, 病変範囲と各病変の影響を効率的に客観的に測定できる完全自動分節法が必要となる。
我々は,転写学習(TL)と混合データを用いた8つの異なる2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動分割法を開発した。
さらに、最終的な予測は、積み重ねと合意窓を含む新しいアンサンブル手法を用いて行われた。
提案手法は,22T1wの脳MR画像を含む新しい社内データセットで評価され,様々な視点から見れば困難であったが,その主な原因は,亜急性病変(典型的にはあまり定義されていないT1病変)と慢性脳卒中期(典型的にはよく定義されているT1-lesions)のT1wのMR画像を含んでいたことである。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
セグメンテーションに加えて,脳幹の皮質運動野から最下端まで伸びる正準構造運動系と,病変の重ね合わせに基づいて,関連する脳系の病変容積と重み付き病変負荷を提供する。
関連論文リスト
- Concurrent ischemic lesion age estimation and segmentation of CT brain
using a Transformer-based network [8.80381582892208]
本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。
従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
論文 参考訳（メタデータ） (2023-06-21T13:00:49Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。
提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
論文 参考訳（メタデータ） (2022-09-16T10:49:53Z) - 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) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - Combining unsupervised and supervised learning for predicting the final
stroke lesion [2.587975592408692]
90日後に最終脳卒中病変を予測するための完全自動深層学習法を提案する。
本研究の目的は、脳卒中の最終病変の位置と範囲を予測し、その予測に影響を与える脳血流動態を考慮に入れることである。
論文 参考訳（メタデータ） (2021-01-02T17:56:47Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - A comparative study of 2D image segmentation algorithms for traumatic
brain lesions using CT data from the ProTECTIII multicenter clinical trial [0.0]
外傷性脳損傷(TBI)後に発見された出血性病変の表現型について検討した。
内皮内出血(IPH)、硬膜下血腫(SDH)、硬膜外血腫(EDH)、外傷性腸重積などがある。
Focal Tversky Loss Functionを用いたUNet++ 2D Architectureを用いて,最適Dice Coefficient1スコア0.94を達成することができた。
また, 軸外出血例と外傷例のDice Coefficientスコア0.90と0.86をそれぞれ達成できた。
論文 参考訳（メタデータ） (2020-06-01T21:00:20Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z)
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。