論文の概要: Fetal-BET: Brain Extraction Tool for Fetal MRI

• arxiv url: http://arxiv.org/abs/2310.01523v2
• Date: Mon, 13 Nov 2023 20:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 18:13:41.160394
• Title: Fetal-BET: Brain Extraction Tool for Fetal MRI
• Title（参考訳）: Fetal-BET:胎児MRIのための脳抽出ツール
• Authors: Razieh Faghihpirayesh, Davood Karimi, Deniz Erdo\u{g}mu\c{s}, Ali Gholipour
• Abstract要約: 約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。 このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。 本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
• 参考スコア（独自算出の注目度）: 4.214523989654048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fetal brain extraction is a necessary first step in most computational fetal brain MRI pipelines. However, it has been a very challenging task due to non-standard fetal head pose, fetal movements during examination, and vastly heterogeneous appearance of the developing fetal brain and the neighboring fetal and maternal anatomy across various sequences and scanning conditions. Development of a machine learning method to effectively address this task requires a large and rich labeled dataset that has not been previously available. As a result, there is currently no method for accurate fetal brain extraction on various fetal MRI sequences. In this work, we first built a large annotated dataset of approximately 72,000 2D fetal brain MRI images. Our dataset covers the three common MRI sequences including T2-weighted, diffusion-weighted, and functional MRI acquired with different scanners. Moreover, it includes normal and pathological brains. Using this dataset, we developed and validated deep learning methods, by exploiting the power of the U-Net style architectures, the attention mechanism, multi-contrast feature learning, and data augmentation for fast, accurate, and generalizable automatic fetal brain extraction. Our approach leverages the rich information from multi-contrast (multi-sequence) fetal MRI data, enabling precise delineation of the fetal brain structures. Evaluations on independent test data show that our method achieves accurate brain extraction on heterogeneous test data acquired with different scanners, on pathological brains, and at various gestational stages. This robustness underscores the potential utility of our deep learning model for fetal brain imaging and image analysis.
• Abstract（参考訳）: 胎児脳抽出は、ほとんどの計算胎児脳MRIパイプラインにおいて必要な第一歩である。 しかし、標準的な胎児の頭部ポーズ、検査中の胎児の動き、発達する胎児の脳と近隣の胎児および母体解剖の様々な配列とスキャン条件の異種な出現など、非常に困難な課題であった。 このタスクに効果的に対処する機械学習手法の開発には、これまで利用できなかった大規模で豊富なラベル付きデータセットが必要である。 結果として、様々な胎児MRIで正確な胎児脳の抽出方法が現在存在しない。 本研究ではまず,約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。 本データセットでは,T2強調,拡散強調,機能MRIの3つのMRIシーケンスを異なるスキャナーで取得した。 また、正常脳と病理脳も含む。 このデータセットを用いて,U-Netスタイルアーキテクチャ,アテンション機構,マルチコントラスト特徴学習,高速で正確で一般化可能な自動胎児脳抽出のためのデータ拡張などを活用した深層学習手法の開発と検証を行った。 本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。 独立試験データを用いた評価では, 異なるスキャナー, 病的脳, および様々な妊娠段階において, 異種検査データから正確な脳抽出が達成されている。 この堅牢性は、胎児脳のイメージングと画像解析におけるディープラーニングモデルの有用性を裏付けるものです。

関連論文リスト

• Search Wide, Focus Deep: Automated Fetal Brain Extraction with Sparse Training Data [1.0252723257176566]
  本稿では,スパースな合成ラベルで訓練されたネットワークにおいて,偽陽性を低減するテストタイム戦略を提案する。 我々は、少数の胎児脳ラベルマップから得られた合成画像を用いて、異なるウィンドウサイズでモデルを訓練する。 本研究の枠組みは, トリメスター胎児のHASTE検査における最先端脳抽出法と一致した。
  論文  参考訳（メタデータ） (2024-10-27T17:54:01Z)
• Detailed delineation of the fetal brain in diffusion MRI via multi-task learning [5.261252388770444]
  我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。 これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
  論文  参考訳（メタデータ） (2024-08-26T13:51:04Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
  我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。 独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-04T19:56:19Z)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• FetMRQC: a robust quality control system for multi-centric fetal brain MRI [33.08151493899017]
  本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。 FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。 我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2023-11-08T15:59:41Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• 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)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。