論文の概要: CortexMorph: fast cortical thickness estimation via diffeomorphic
registration using VoxelMorph
- arxiv url: http://arxiv.org/abs/2307.11567v1
- Date: Fri, 21 Jul 2023 13:18:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 12:24:21.418726
- Title: CortexMorph: fast cortical thickness estimation via diffeomorphic
registration using VoxelMorph
- Title（参考訳）: CortexMorph:VoxelMorphを用いた高速皮質厚推定法
- Authors: Richard McKinley, Christian Rummel
- Abstract要約: 皮質帯の厚みは、様々な神経学的および精神医学的条件と結びついている。
合成大脳皮質厚ファントムを用いた最近の研究により、DiReCTと深層学習に基づくセグメンテーションの組み合わせは、Freesurferよりも下位大脳皮質の薄化に敏感であることが示されている。
本稿では,教師なし深層学習を用いた新しい手法であるCortexMorphを提案する。
- 参考スコア（独自算出の注目度）: 0.08122270502556374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The thickness of the cortical band is linked to various neurological and
psychiatric conditions, and is often estimated through surface-based methods
such as Freesurfer in MRI studies. The DiReCT method, which calculates cortical
thickness using a diffeomorphic deformation of the gray-white matter interface
towards the pial surface, offers an alternative to surface-based methods.
Recent studies using a synthetic cortical thickness phantom have demonstrated
that the combination of DiReCT and deep-learning-based segmentation is more
sensitive to subvoxel cortical thinning than Freesurfer.
While anatomical segmentation of a T1-weighted image now takes seconds,
existing implementations of DiReCT rely on iterative image registration methods
which can take up to an hour per volume. On the other hand, learning-based
deformable image registration methods like VoxelMorph have been shown to be
faster than classical methods while improving registration accuracy. This paper
proposes CortexMorph, a new method that employs unsupervised deep learning to
directly regress the deformation field needed for DiReCT. By combining
CortexMorph with a deep-learning-based segmentation model, it is possible to
estimate region-wise thickness in seconds from a T1-weighted image, while
maintaining the ability to detect cortical atrophy. We validate this claim on
the OASIS-3 dataset and the synthetic cortical thickness phantom of Rusak et
al.
- Abstract（参考訳）: 皮質帯の厚みは様々な神経学的、精神医学的条件と結びついており、MRI研究においてフリーサーファーのような表面ベースの方法によって推定されることが多い。
表面面への灰色の物質界面の微分変形を用いて皮質の厚さを計算するDiReCT法は、表面ベースの方法に代わる方法である。
合成大脳皮質厚ファントムを用いた最近の研究により、DiReCTと深層学習に基づくセグメンテーションの組み合わせは、Freesurferよりも下位大脳皮質の薄化に敏感であることが示されている。
t1重み付き画像の解剖学的セグメンテーションには現在数秒かかるが、既存の実装では1ボリュームあたり最大1時間かかる反復的な画像登録方法に依存している。
一方、VoxelMorphのような学習に基づく変形可能な画像登録法は、従来の方法よりも高速であり、登録精度は向上している。
本稿では,無教師深層学習を用いて直接変形場を直接後退させる新しい手法であるcortexmorphを提案する。
CortexMorphとディープラーニングに基づくセグメンテーションモデルを組み合わせることで、皮質萎縮を検出する能力を維持しつつ、T1強調画像から秒単位の領域幅の厚さを推定できる。
我々はこの主張を,OASIS-3データセットとRusak等の合成皮質厚ファントム上で検証した。
関連論文リスト
- 2D-3D Deformable Image Registration of Histology Slide and Micro-CT with ML-based Initialization [2.1409936129568377]
軟部組織CTの画質は低かったため,組織スライドとmuCTとの相関が困難であった。
本稿では,新しい2D-3Dマルチモーダルデフォルマブル画像登録法を提案する。
論文 参考訳（メタデータ） (2024-10-18T09:51:43Z) - Neural deformation fields for template-based reconstruction of cortical
surfaces from MRI [5.4173776411667935]
本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。
V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。
V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
論文 参考訳（メタデータ） (2024-01-23T17:50:58Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である
本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。
我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
論文 参考訳（メタデータ） (2022-09-19T11:45:39Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D
MRI Scans with Geometric Deep Neural Networks [3.364554138758565]
深層学習に基づくアルゴリズムであるVox2Cortexを提案する。
我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは現場の最先端の方法で再構築されたものと同じくらい正確であることを示した。
論文 参考訳（メタデータ） (2022-03-17T17:06:00Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - A Deep Attentive Convolutional Neural Network for Automatic Cortical
Plate Segmentation in Fetal MRI [12.554154620492772]
我々は胎児脳MRIスキャンのための新しい強力なディープラーニングセグメンテーション法を開発した。
本手法は,完全な畳み込みニューラルネットワークアーキテクチャにおいて,カーネルの畳み込みが混在する新しい深層抑止モジュールを利用する。
本手法は, 正常および変化した胎児大脳皮質の成熟と折り畳みについて, 大規模研究を促進・促進することができる。
論文 参考訳（メタデータ） (2020-04-27T14:55:22Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳（メタデータ） (2020-01-14T22:55:03Z)
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。