論文の概要: Brain MRI Segmentation using Template-Based Training and Visual Perception Augmentation

• arxiv url: http://arxiv.org/abs/2308.02363v1
• Date: Fri, 4 Aug 2023 14:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 12:32:31.848803
• Title: Brain MRI Segmentation using Template-Based Training and Visual Perception Augmentation
• Title（参考訳）: テンプレートベーストレーニングと視覚知覚増強を用いた脳MRI分割
• Authors: Fang-Cheng Yeh
• Abstract要約: 我々は,1つの脳MRIテンプレートとその関連セグメンテーションラベルを用いて,スクラッチから3次元U-Netモデルをトレーニングするためのテンプレートベースのトレーニング手法を提案する。 我々は,マウス,ラット,マーモセット,リース,ヒト脳MRIの3次元U-Netモデルを訓練し,頭蓋切除,脳分節,組織確率マッピングなどのセグメンテーションタスクを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models usually require sufficient training data to achieve high accuracy, but obtaining labeled data can be time-consuming and labor-intensive. Here we introduce a template-based training method to train a 3D U-Net model from scratch using only one population-averaged brain MRI template and its associated segmentation label. The process incorporated visual perception augmentation to enhance the model's robustness in handling diverse image inputs and mitigating overfitting. Leveraging this approach, we trained 3D U-Net models for mouse, rat, marmoset, rhesus, and human brain MRI to achieve segmentation tasks such as skull-stripping, brain segmentation, and tissue probability mapping. This tool effectively addresses the limited availability of training data and holds significant potential for expanding deep learning applications in image analysis, providing researchers with a unified solution to train deep neural networks with only one image sample.
• Abstract（参考訳）: ディープラーニングモデルは通常、高い精度を達成するのに十分なトレーニングデータが必要ですが、ラベル付きデータを取得するのには時間と労力がかかります。 本稿では,1つの個体群平均脳MRIテンプレートとその関連セグメンテーションラベルを用いて,3次元U-Netモデルをスクラッチからトレーニングするためのテンプレートベースのトレーニング手法を提案する。 このプロセスでは、様々な画像入力の処理と過剰フィッティングの緩和においてモデルのロバスト性を高めるために視覚知覚の増強が組み込まれている。 このアプローチを活用することで、マウス、ラット、マーモセット、リース、ヒト脳MRIの3D U-Netモデルを訓練し、頭蓋骨切断、脳分節、組織確率マッピングなどのセグメンテーションタスクを達成しました。 このツールは、トレーニングデータの可用性の制限に効果的に対応し、画像分析でディープラーニングアプリケーションを拡張する大きな可能性を秘めており、研究者に1つのイメージサンプルでディープニューラルネットワークを訓練するための統一的なソリューションを提供する。

関連論文リスト

• μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
  X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:29:08Z)
• Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection [0.0]
  目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。 提案手法は,性能向上と一般化性向上のために前処理技術を適用した。
  論文  参考訳（メタデータ） (2024-04-06T15:09:49Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Slice-level Detection of Intracranial Hemorrhage on CT Using Deep Descriptors of Adjacent Slices [0.31317409221921133]
  そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。 我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。 提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
  論文  参考訳（メタデータ） (2022-08-05T23:20:37Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images with Virtual Depth [64.29043589521308]
  仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。 レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。 さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
  論文  参考訳（メタデータ） (2021-07-28T11:00:47Z)
• Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
  既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。 彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。 本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-28T08:34:21Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation [15.059891142682117]
  本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。 提案手法は,3次元医用画像分割の課題に対して有効である。
  論文  参考訳（メタデータ） (2020-06-10T14:24:06Z)

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。