論文の概要: Towards contrast-agnostic soft segmentation of the spinal cord
- arxiv url: http://arxiv.org/abs/2310.15402v1
- Date: Mon, 23 Oct 2023 23:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 21:22:47.920685
- Title: Towards contrast-agnostic soft segmentation of the spinal cord
- Title(参考訳): 脊髄のコントラスト非依存性ソフトセグメンテーションに向けて
- Authors: Sandrine B\'edard, Naga Karthik Enamundram, Charidimos Tsagkas,
Emanuele Pravat\`a, Cristina Granziera, Andrew Smith, Kenneth Arnold Weber
II, Julien Cohen-Adad
- Abstract要約: セグメンテーションはMRIのコントラストに依存するため、コントラストを横断する脊髄断面積が異なる。
本研究では,脊髄のソフトセグメンテーションを生成する深層学習に基づく手法を提案する。
提案した脊髄セグメンテーションモデルは、最先端のコントラスト特異的手法よりも優れた一般化を行う。
- 参考スコア(独自算出の注目度): 0.24091079613649835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spinal cord segmentation is clinically relevant and is notably used to
compute spinal cord cross-sectional area (CSA) for the diagnosis and monitoring
of cord compression or neurodegenerative diseases such as multiple sclerosis.
While several semi and automatic methods exist, one key limitation remains: the
segmentation depends on the MRI contrast, resulting in different CSA across
contrasts. This is partly due to the varying appearance of the boundary between
the spinal cord and the cerebrospinal fluid that depends on the sequence and
acquisition parameters. This contrast-sensitive CSA adds variability in
multi-center studies where protocols can vary, reducing the sensitivity to
detect subtle atrophies. Moreover, existing methods enhance the CSA variability
by training one model per contrast, while also producing binary masks that do
not account for partial volume effects. In this work, we present a deep
learning-based method that produces soft segmentations of the spinal cord.
Using the Spine Generic Public Database of healthy participants
($\text{n}=267$; $\text{contrasts}=6$), we first generated participant-wise
soft ground truth (GT) by averaging the binary segmentations across all 6
contrasts. These soft GT, along with a regression-based loss function, were
then used to train a UNet model for spinal cord segmentation. We evaluated our
model against state-of-the-art methods and performed ablation studies involving
different GT mask types, loss functions, and contrast-specific models. Our
results show that using the soft average segmentations along with a regression
loss function reduces CSA variability ($p < 0.05$, Wilcoxon signed-rank test).
The proposed spinal cord segmentation model generalizes better than the
state-of-the-art contrast-specific methods amongst unseen datasets, vendors,
contrasts, and pathologies (compression, lesions), while accounting for partial
volume effects.
- Abstract(参考訳): 脊髄セグメンテーションは臨床的に有用であり、脊髄圧迫や多発性硬化症などの神経変性疾患の診断・モニタリングのために、脊髄横断領域(CSA)の計算に特に用いられる。
セグメンテーションはMRIのコントラストに依存し、コントラストによって異なるCSAとなる。
これは、脊髄と髄液の境界が、配列や獲得パラメータによって様々に現れるためである。
このコントラストに敏感なCSAは、プロトコルが変化しうるマルチセンタの研究において可変性を付加し、微妙なアトロフィを検出する感度を低下させる。
さらに、既存の手法ではコントラストごとに1つのモデルをトレーニングすることでcsaの変動性を高めるとともに、部分ボリューム効果を考慮しないバイナリマスクも生成している。
そこで本研究では,脊髄の軟化を誘発する深層学習に基づく方法を提案する。
健全な参加者のSpine Generic Public Database($\text{n}=267$; $\text{contrasts}=6$)を用いて、まず6つのコントラストのバイナリセグメンテーションを平均化することにより、参加者のソフトグラウンド真実(GT)を生成した。
これらのソフトGTと回帰に基づく損失関数は、脊髄セグメンテーションのためのUNetモデルを訓練するために使用される。
我々は,最先端手法に対するモデルを評価し,gtマスクの種類,損失関数,コントラスト固有モデルに関するアブレーション実験を行った。
その結果, 軟平均セグメンテーションと回帰損失関数を用いることで, csaの変動性は低下する (p < 0.05$, wilcoxon sign-rank test)。
提案する脊髄セグメンテーションモデルは,未発見のデータセット,ベンダ,コントラスト,病理(圧縮,病変)において,部分的ボリューム効果を考慮しつつ,最先端のコントラスト特定手法よりも一般化している。
関連論文リスト
- How inter-rater variability relates to aleatoric and epistemic
uncertainty: a case study with deep learning-based paraspinal muscle
segmentation [1.9624082208594296]
本研究は, 層間変動が学習アルゴリズムの信頼性に与える影響について検討する。
本研究は,ラベル融合戦略とDLモデルの選択による,ラター間の変動性と不確実性の間の相互作用を明らかにする。
論文 参考訳(メタデータ) (2023-08-14T06:40:20Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Contrast Adaptive Tissue Classification by Alternating Segmentation and
Synthesis [0.21111026813272174]
本稿では,訓練データのコントラスト特性を入力画像に適応する交互セグメンテーションと合成ステップを用いたアプローチについて述べる。
このアプローチの顕著な利点は、そのコントラスト特性に適応するために取得プロトコルの1つの例だけが必要であることである。
論文 参考訳(メタデータ) (2021-03-04T00:25:24Z) - Bone Segmentation in Contrast Enhanced Whole-Body Computed Tomography [2.752817022620644]
本稿では,低線量造影による全身CTスキャンから骨骨髄領域を分離する新しい前処理技術を用いたU-netアーキテクチャについて概説する。
骨とコントラスト染料の差別化には, 適切な前処理が重要であること, 限られたデータで優れた結果が得られることを実証した。
論文 参考訳(メタデータ) (2020-08-12T10:48:38Z) - Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in
CT Exams [0.0]
我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。
以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
論文 参考訳(メタデータ) (2020-08-11T13:23:04Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - Spinal Metastases Segmentation in MR Imaging using Deep Convolutional
Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。
U-Net様アーキテクチャを用いて40例の臨床検査を行った。
専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文 参考訳(メタデータ) (2020-01-08T10:59:31Z)
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。