論文の概要: Direct segmentation of brain white matter tracts in diffusion MRI

• arxiv url: http://arxiv.org/abs/2307.02223v1
• Date: Wed, 5 Jul 2023 11:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 14:05:31.196792
• Title: Direct segmentation of brain white matter tracts in diffusion MRI
• Title（参考訳）: 拡散MRIにおける脳白質路の直接分画
• Authors: Hamza Kebiri, and Ali Gholipour, Meritxell Bach Cuadra, Davood Karimi
• Abstract要約: 脳の白色物質は、脳の異なる領域を繋ぐ管から構成される。 現在のセグメンテーション法は、不必要なエラーをもたらす可能性のある中間計算に依存している。 拡散MRIデータから直接これらの領域を抽出する新しい深層学習法を提案する。
• 参考スコア（独自算出の注目度）: 5.907053978336196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The brain white matter consists of a set of tracts that connect distinct regions of the brain. Segmentation of these tracts is often needed for clinical and research studies. Diffusion-weighted MRI offers unique contrast to delineate these tracts. However, existing segmentation methods rely on intermediate computations such as tractography or estimation of fiber orientation density. These intermediate computations, in turn, entail complex computations that can result in unnecessary errors. Moreover, these intermediate computations often require dense multi-shell measurements that are unavailable in many clinical and research applications. As a result, current methods suffer from low accuracy and poor generalizability. Here, we propose a new deep learning method that segments these tracts directly from the diffusion MRI data, thereby sidestepping the intermediate computation errors. Our experiments show that this method can achieve segmentation accuracy that is on par with the state of the art methods (mean Dice Similarity Coefficient of 0.826). Compared with the state of the art, our method offers far superior generalizability to undersampled data that are typical of clinical studies and to data obtained with different acquisition protocols. Moreover, we propose a new method for detecting inaccurate segmentations and show that it is more accurate than standard methods that are based on estimation uncertainty quantification. The new methods can serve many critically important clinical and scientific applications that require accurate and reliable non-invasive segmentation of white matter tracts.
• Abstract（参考訳）: 脳の白い物質は、脳の異なる領域を繋ぐ一連のトラクターから構成される。 これらの領域の分離は、臨床および研究研究にしばしば必要である。 拡散強調MRIは、これらのトラクトを記述するためのユニークなコントラストを提供する。 しかし、既存のセグメンテーション手法は、気道造影や繊維配向密度の推定のような中間計算に依存する。 これらの中間計算には、不要なエラーをもたらす複雑な計算が伴う。 さらに、これらの中間計算は、多くの臨床および研究用途で使用できない高密度のマルチシェル測定を必要とすることが多い。 その結果、現在の手法は精度が低く、一般化性が低い。 本稿では,拡散mriデータから直接これらの経路を分割し,中間計算誤差を回避できる新しい深層学習法を提案する。 実験により, この手法は, 分節化精度を, 分節法と同等の精度で達成できることが示される(dice類似度係数0.826)。 本手法は, 臨床研究の典型であるアンダーサンプルデータと, 異なる取得プロトコルを用いて得られたデータに対して, より優れた一般化性を提供する。 さらに,不正確なセグメンテーションを検出する新しい手法を提案し,推定の不確かさの定量化に基づく標準手法よりも精度が高いことを示す。 この新しい方法は、正確で信頼性の高いホワイトマターの非侵襲的なセグメンテーションを必要とする、多くの重要な臨床および科学的応用に役立つ。

関連論文リスト

• Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks [60.80828925396154]
  本稿では,新しいセマンティックセグメンテーション評価プロトコルであるConnected-Component (CC)-Metricsを提案する。 本研究は,全体PET/CTにおけるセマンティックセグメンテーションの一般的な医療シナリオにおいて,この設定を動機付けている。 既存のセマンティックセグメンテーションのメトリクスが、より大きな接続コンポーネントに対するバイアスにどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-10-24T12:26:05Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• TBSS++: A novel computational method for Tract-Based Spatial Statistics [6.1908590616944785]
  クロスオブジェクト tract-specific analysis は、dMRIにおける最も一般的な計算の1つである。 これらの研究の正確さと信頼性は、被験者間で同じ白い物質を正確に比較できる能力に基づいている。 既存の手法の限界を克服する新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T22:12:51Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• 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)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• Simple statistical methods for unsupervised brain anomaly detection on MRI are competitive to deep learning methods [0.0]
  磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。 深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望であることを示す。 そこで本研究では, DL等価な3次元畳み込みオートエンコーダの性能を, 教師なしの病理診断において達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-25T13:45:11Z)
• Learning Anatomical Segmentations for Tractography from Diffusion MRI [0.0]
  拡散強調MR画像から直接170個の解剖学的領域の高速深層学習に基づくセグメンテーションを導入する。 組織型によっては0.70～0.87Diceのセグメンテーション結果が一定であった。
  論文  参考訳（メタデータ） (2020-09-09T16:20:02Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)

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。