論文の概要: Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI

• arxiv url: http://arxiv.org/abs/2312.05119v1
• Date: Fri, 8 Dec 2023 15:47:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 14:49:41.720979
• Title: Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI
• Title（参考訳）: 異種臨床および低磁場可搬MRIにおける白質超強度と脳容積の定量化
• Authors: Pablo Laso, Stefano Cerri, Annabel Sorby-Adams, Jennifer Guo, Farrah Mateen, Philipp Goebl, Jiaming Wu, Peirong Liu, Hongwei Li, Sean I. Young, Benjamin Billot, Oula Puonti, Gordon Sze, Sam Payabavash, Adam DeHavenon, Kevin N. Sheth, Matthew S. Rosen, John Kirsch, Nicola Strisciuglio, Jelmer M. Wolterink, Arman Eshaghi, Frederik Barkhof, W. Taylor Kimberly, Juan Eugenio Iglesias
• Abstract要約: 脳萎縮と白質高強度は、脳の損傷を確かめるための重要な神経画像特徴である。 信号-雑音比(SNR)の高い高分解能MRIを必要とする既存手法 そこで本研究では,白質の超強度と36個の脳領域を,再トレーニングを伴わない解像度とコントラスト(pMRIを含む)のスキャンから分割する手法を提案する。
• 参考スコア（独自算出の注目度）: 10.838380521119968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain atrophy and white matter hyperintensity (WMH) are critical neuroimaging features for ascertaining brain injury in cerebrovascular disease and multiple sclerosis. Automated segmentation and quantification is desirable but existing methods require high-resolution MRI with good signal-to-noise ratio (SNR). This precludes application to clinical and low-field portable MRI (pMRI) scans, thus hampering large-scale tracking of atrophy and WMH progression, especially in underserved areas where pMRI has huge potential. Here we present a method that segments white matter hyperintensity and 36 brain regions from scans of any resolution and contrast (including pMRI) without retraining. We show results on six public datasets and on a private dataset with paired high- and low-field scans (3T and 64mT), where we attain strong correlation between the WMH ($\rho$=.85) and hippocampal volumes (r=.89) estimated at both fields. Our method is publicly available as part of FreeSurfer, at: http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg.
• Abstract（参考訳）: 脳萎縮と白質高強度(WMH)は脳血管障害と多発性硬化症における脳損傷の診断に重要な神経画像特徴である。 分割と定量化の自動化が望ましいが、既存の手法では信号-雑音比(SNR)の高い高分解能MRIを必要とする。 これは、臨床および低磁場可搬型MRI(pMRI)スキャンへの適用を妨げ、特にpMRIが大きな潜在能力を有する未保存領域において、萎縮とWMH進行の大規模追跡を妨げる。 そこで本研究では,白質の超強度と36個の脳領域を,再トレーニングを伴わない解像度とコントラスト(pMRIを含む)のスキャンから分割する手法を提案する。 6つの公開データセットと2つのハイフィールド・ローフィールド・スキャン(3T, 64mT)を併用したプライベートデータセットを用いて,WMH(\rho$=.85)と海馬容積(r=.89)との間に強い相関関係が得られた。 私たちのメソッドは、FreeSurferの一部として、http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSegで公開されています。

関連論文リスト

• Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
  脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。 提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。 19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
  論文  参考訳（メタデータ） (2024-09-05T19:52:09Z)
• X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models [6.046082223332061]
  X-拡散(X-Diffusion)は磁気共鳴イメージング(MRI)データに適した断面拡散モデルである。 X-Diffusionは、1つのフルボディDXAから詳細な3DMRIボリュームを生成することができる。 注目すべきは、MRIは、腫瘍のプロファイル、脊椎曲率、脳の容積など、オリジナルのMRIの本質的な特徴を完璧に保持していることだ。
  論文  参考訳（メタデータ） (2024-04-30T14:53:07Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合した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） (2024-02-13T12:21:06Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• White Matter Hyperintensities Segmentation Using Probabilistic TransUNet [0.0]
  ホワイト・マター・ハイパーインテンシティ(White Matter Hyperintensities、WMH)は、他の通常の脳領域よりも高い強度を持つ脳の領域である。 WMHの検出には、高い曖昧さと小さなWMHの検出の難しさの2つの共通点がある。 本稿では,小物体分割の精度と医用画像のあいまいさに対処するため,確率的トランスUNetという手法を提案する。
  論文  参考訳（メタデータ） (2023-05-06T03:31:56Z)
• Automated deep learning segmentation of high-resolution 7 T postmortem MRI for quantitative analysis of structure-pathology correlations in neurodegenerative diseases [33.191270998887326]
  7T全体MRIスキャナーにT2wシークエンスを用いて0.3 mm$3$等方性で画像化した,高分解能のヒト脳組織標本135点について報告する。 また、7Tで0.28mm3および0.16mm3等方性T2*w FLASH配列を取得。
  論文  参考訳（メタデータ） (2023-03-21T23:44:02Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Accurate super-resolution low-field brain MRI [0.6501025489527174]
  LFMRI T1重み付きシーケンスから1mm等方性MPRAGE様スキャンを合成するための機械学習アルゴリズムの拡張について報告する。 これらの結果は、LFMRIにおける正常画像および異常画像の検出を高めるための今後の研究の基礎となった。
  論文  参考訳（メタデータ） (2022-02-07T23:57:28Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。