論文の概要: SHARM: Segmented Head Anatomical Reference Models

• arxiv url: http://arxiv.org/abs/2309.06677v1
• Date: Wed, 13 Sep 2023 02:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 15:39:40.918831
• Title: SHARM: Segmented Head Anatomical Reference Models
• Title（参考訳）: SHARM: 頭解剖学的参照モデル
• Authors: Essam A. Rashed, Mohammad al-Shatouri, Ilkka Laakso, Akimasa Hirata
• Abstract要約: 本研究は196名の被験者からなるオープンアクセス・セグメンテッド・ヘッド解剖学的基準モデル(SHARM)を提供する。 SHARMは、電磁線ドシメトリー研究だけでなく、異なる人間の頭部セグメンテーション応用にも有用なベンチマークとして期待されている。
• 参考スコア（独自算出の注目度）: 1.3108652488669732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable segmentation of anatomical tissues of human head is a major step in several clinical applications such as brain mapping, surgery planning and associated computational simulation studies. Segmentation is based on identifying different anatomical structures through labeling different tissues through medical imaging modalities. The segmentation of brain structures is commonly feasible with several remarkable contributions mainly for medical perspective; however, non-brain tissues are of less interest due to anatomical complexity and difficulties to be observed using standard medical imaging protocols. The lack of whole head segmentation methods and unavailability of large human head segmented datasets limiting the variability studies, especially in the computational evaluation of electrical brain stimulation (neuromodulation), human protection from electromagnetic field, and electroencephalography where non-brain tissues are of great importance. To fill this gap, this study provides an open-access Segmented Head Anatomical Reference Models (SHARM) that consists of 196 subjects. These models are segmented into 15 different tissues; skin, fat, muscle, skull cancellous bone, skull cortical bone, brain white matter, brain gray matter, cerebellum white matter, cerebellum gray matter, cerebrospinal fluid, dura, vitreous humor, lens, mucous tissue and blood vessels. The segmented head models are generated using open-access IXI MRI dataset through convolutional neural network structure named ForkNet+. Results indicate a high consistency in statistical characteristics of different tissue distribution in age scale with real measurements. SHARM is expected to be a useful benchmark not only for electromagnetic dosimetry studies but also for different human head segmentation applications.
• Abstract（参考訳）: ヒト頭部の解剖学的組織の信頼性の高いセグメンテーションは、脳マッピング、手術計画、関連する計算シミュレーション研究など、いくつかの臨床応用において重要なステップである。 セグメンテーションは、医療画像のモダリティを通して異なる組織をラベル付けすることで、異なる解剖学的構造を識別することに基づいている。 脳構造のセグメンテーションは、主に医学的な見地から多くの顕著な貢献がなされるが、解剖学的複雑さや標準の医用画像プロトコルで観察できないため、非脳組織は興味を示さない。 頭部のセグメンテーション方法の欠如と、大きな頭部セグメンテーションデータセットの有効性の欠如は、特に、電気的脳刺激(神経運動)、電磁界からの人間の保護、および非脳組織が非常に重要である脳波の計算的評価において、変動性の研究を制限する。 このギャップを埋めるために、この研究は196人の被験者からなるオープンアクセス・セグメンテッド・ヘッド解剖学的基準モデル(SHARM)を提供する。 これらのモデルは15の異なる組織(皮膚、脂肪、筋肉、頭蓋骨、頭蓋皮質骨、脳白質、脳白質、小脳白質、小脳白質、小脳白質、小脳脊髄液、デュラ、硝子体液、レンズ、粘膜組織、血管)に分けられる。 セグメンテーションヘッドモデルは、畳み込みニューラルネットワーク構造であるforknet+を介して、open-access ixi mriデータセットを使用して生成される。 その結果,実測値と年齢尺度の異なる組織分布の統計的特性は高い一貫性を示した。 SHARMは、電磁線ドシメトリー研究だけでなく、異なる人間の頭部セグメンテーション応用にも有用なベンチマークとして期待されている。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• 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)
• Learning from imperfect training data using a robust loss function: application to brain image segmentation [0.0]
  脳MRI解析では、頭部のセグメンテーションは脳の解剖学的構造の測定と可視化に一般的に用いられる。 本稿では,T1強調MRIのみを入力として,脳,頭蓋,頭蓋外組織を分割できるディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-08T19:08:32Z)
• CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
  本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。 提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
  論文  参考訳（メタデータ） (2022-05-17T11:23:02Z)
• 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)
• Stroke Lesion Segmentation with Visual Cortex Anatomy Alike Neural Nets [0.0]
  この研究は、人間の視覚野の解剖学的構造を模倣した、より脳に似たモデルを提示する。 提案したモデルは,最先端のモデルと同等に動作可能であることが判明した。
  論文  参考訳（メタデータ） (2021-05-13T20:39:29Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
  小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。 本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。 本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
  論文  参考訳（メタデータ） (2020-05-20T06:43:41Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Development of accurate human head models for personalized electromagnetic dosimetry using deep learning [2.750124853532831]
  本稿では,人間の頭構造全体のセグメント化を行うために,ForkNetと呼ばれる畳み込みニューラルネットワークの新しいアーキテクチャを提案する。 提案したネットワークは、パーソナライズされた頭部モデルの生成に利用でき、脳磁図刺激時の脳内の電界評価に応用できる。
  論文  参考訳（メタデータ） (2020-02-21T01:21:34Z)

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。