論文の概要: Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2308.07003v1
• Date: Mon, 14 Aug 2023 08:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 13:56:46.476256
• Title: Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks
• Title（参考訳）: Deepbet:畳み込みニューラルネットワークを用いたT1強調MRIの高速脳抽出
• Authors: Lukas Fisch, Stefan Zumdick, Carlotta Barkhau, Daniel Emden, Jan Ernsting, Ramona Leenings, Kelvin Sarink, Nils R. Winter, Benjamin Risse, Udo Dannlowski, Tim Hahn
• Abstract要約: Deepbetは、Deepbetと呼ばれる高速で高精度な脳抽出ツールを構築する。 Deepbetは、2段階の予測プロセスで、現代的なUNetアーキテクチャであるLinkNetを使用している。 モデルは現在の方法と比較して脳の抽出を10倍に加速する。
• 参考スコア（独自算出の注目度）: 0.40125518029941076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain extraction in magnetic resonance imaging (MRI) data is an important segmentation step in many neuroimaging preprocessing pipelines. Image segmentation is one of the research fields in which deep learning had the biggest impact in recent years enabling high precision segmentation with minimal compute. Consequently, traditional brain extraction methods are now being replaced by deep learning-based methods. Here, we used a unique dataset comprising 568 T1-weighted (T1w) MR images from 191 different studies in combination with cutting edge deep learning methods to build a fast, high-precision brain extraction tool called deepbet. deepbet uses LinkNet, a modern UNet architecture, in a two stage prediction process. This increases its segmentation performance, setting a novel state-of-the-art performance during cross-validation with a median Dice score (DSC) of 99.0% on unseen datasets, outperforming current state of the art models (DSC = 97.8% and DSC = 97.9%). While current methods are more sensitive to outliers, resulting in Dice scores as low as 76.5%, deepbet manages to achieve a Dice score of > 96.9% for all samples. Finally, our model accelerates brain extraction by a factor of ~10 compared to current methods, enabling the processing of one image in ~2 seconds on low level hardware.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)データにおける脳抽出は、多くのニューロイメージング前処理パイプラインにおいて重要なセグメンテーションステップである。 イメージセグメンテーションは、ディープラーニングが近年最も大きな影響を与えた研究分野の1つであり、最小計算で高精度セグメンテーションを可能にする。 その結果、従来の脳抽出法は深層学習法に置き換えられている。 そこで我々は、191の異なる研究から得られた568 T1重み付き(T1w)MR画像と最先端深層学習法を組み合わせて、高速で高精度なDeepbet脳抽出ツールを構築した。 deepbetは2段階の予測プロセスで、最新のunetアーキテクチャであるlinknetを使用している。 これによりセグメンテーション性能が向上し、クロスバリデーション中の新たな最先端パフォーマンスが設定され、中央値のDiceスコア(DSC)が99.0%となり、アートモデルの現在の状態(DSC = 97.8%、DSC = 97.9%)を上回った。 現在の手法は外れ値に敏感であり、ディススコアは76.5%と低いが、ディープベットは全サンプルに対して96.9%のディススコアを達成している。 最後に,本モデルでは,現在の手法と比較して約10倍の速度で脳の抽出を加速し,低レベルのハードウェア上で1つの画像の処理を約2秒で行えるようにする。

関連論文リスト

• Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
  我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。 提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• DeepThalamus: A novel deep learning method for automatic segmentation of brain thalamic nuclei from multimodal ultra-high resolution MRI [32.73124984242397]
  超高分解能(0.125mm3)での視床核分割のための多モード体積深部ニューラルネットワークの設計と実装を行った。 超高分解能T1,T2,White Matter nulled (WMn) 画像を用いて半自動分割視床核のデータベースを構築した。 ディープラーニングに基づく新しい戦略は、自動セグメンテーションを得るために設計され、その堅牢性とアクカリティを改善するために訓練された。
  論文  参考訳（メタデータ） (2024-01-15T14:59:56Z)
• Automated segmentation of microvessels in intravascular OCT images using deep learning [0.0]
  血管内光コヒーレンス断層撮影(IV OCT)画像における微小血管の自動検出法を開発した。 85病変,37病変から8,403例のOCT画像フレームを解析した。 本手法は,698枚の画像フレームに微小血管が存在するのに対し,手動による解析では730枚の画像フレームが4.4%の差を示した。
  論文  参考訳（メタデータ） (2022-10-01T02:14:14Z)
• Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
  様々なディープニューラルネットワークモデルの高速化性能を解析する。 我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。 我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
  論文  参考訳（メタデータ） (2022-05-02T20:43:14Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Learning to segment fetal brain tissue from noisy annotations [6.456673654519456]
  自動胎児脳組織分節は、この臨界段階における脳の発達の定量的評価を高めることができる。 深層学習法は、医用画像のセグメンテーションにおける最先端の手法であり、また脳セグメンテーションにおける印象的な成果も達成している。 しかし、このタスクを実行するためのディープラーニングモデルの効果的なトレーニングには、一過性胎児脳構造の急速な発達を表すために、多数のトレーニングイメージが必要である。
  論文  参考訳（メタデータ） (2022-03-25T21:22:24Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Accurate Tumor Tissue Region Detection with Accelerated Deep Convolutional Neural Networks [12.7414209590152]
  がん診断のための手動の病理診断は、退屈で反復的である。 我々のアプローチであるFLASHは、ディープ畳み込みニューラルネットワーク(DCNN)アーキテクチャに基づいている。 計算コストを削減し、一般的なディープラーニングアプローチよりも2桁の速さで高速である。
  論文  参考訳（メタデータ） (2020-04-18T08:24:27Z)

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。