論文の概要: DeepThalamus: A novel deep learning method for automatic segmentation of
brain thalamic nuclei from multimodal ultra-high resolution MRI
- arxiv url: http://arxiv.org/abs/2401.07751v1
- Date: Mon, 15 Jan 2024 14:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 16:47:32.629867
- Title: DeepThalamus: A novel deep learning method for automatic segmentation of
brain thalamic nuclei from multimodal ultra-high resolution MRI
- Title（参考訳）: DeepThalamus: マルチモーダル超高分解能MRIによる脳視床核の自動セグメンテーションのための新しい深層学習法
- Authors: Marina Ruiz-Perez, Sergio Morell-Ortega, Marien Gadea, Roberto
Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Mariam de la Iglesia-Vaya,
Thomas Tourdias, Pierrick Coup\'e and Jos\'e V. Manj\'on
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 32.73124984242397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The implication of the thalamus in multiple neurological pathologies makes it
a structure of interest for volumetric analysis. In the present work, we have
designed and implemented a multimodal volumetric deep neural network for the
segmentation of thalamic nuclei at ultra-high resolution (0.125 mm3). Current
tools either operate at standard resolution (1 mm3) or use monomodal data. To
achieve the proposed objective, first, a database of semiautomatically
segmented thalamic nuclei was created using ultra-high resolution T1, T2 and
White Matter nulled (WMn) images. Then, a novel Deep learning based strategy
was designed to obtain the automatic segmentations and trained to improve its
robustness and accuaracy using a semisupervised approach. The proposed method
was compared with a related state-of-the-art method showing competitive results
both in terms of segmentation quality and efficiency. To make the proposed
method fully available to the scientific community, a full pipeline able to
work with monomodal standard resolution T1 images is also proposed.
- Abstract（参考訳）: 複数の神経病理学における視床の関与は、体積分析の興味をそそる構造となっている。
本研究では,超高分解能 (0.125 mm3) における視床核のセグメンテーションのための多変量深層ニューラルネットワークの設計と実装を行った。
現在のツールは標準解像度 (1 mm3) で動作し、モノモーダルデータを使用する。
まず,超高分解能t1,t2,白色物質ヌル化(wmn)画像を用いて,半自動セグメンテーションされた視床核のデータベースを作成した。
そこで, 自動セグメント化のための新しい深層学習戦略を考案し, 半教師付きアプローチによるロバスト性, 適応性の向上を訓練した。
提案手法は, セグメンテーション品質と効率の両面で競争結果を示す, 関連する最先端手法と比較した。
提案手法を科学コミュニティに完全利用可能にするために,モノモダル標準解像度t1画像を用いたフルパイプラインも提案されている。
関連論文リスト
- DeepCERES: A Deep learning method for cerebellar lobule segmentation
using ultra-high resolution multimodal MRI [32.73124984242397]
本稿では,ヒト脳小脳小脳小葉分割法について紹介する。
提案手法は,マルチモーダルおよび超高分解能トレーニングデータセットを用いて小脳小葉のセグメンテーションを改善する。
DeepCERESは、単一のT1 MR画像のみの入力を必要とする科学コミュニティに提案された方法を利用可能にするために開発された。
論文 参考訳（メタデータ） (2024-01-22T16:14:26Z) - FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and
adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。
我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文 参考訳（メタデータ） (2023-08-24T12:26:38Z) - Computational Modeling of Deep Multiresolution-Fractal Texture and Its
Application to Abnormal Brain Tissue Segmentation [0.0]
本稿では,MFDNN(Multi resolution Fractal Deep Neural Network)のモデリングとその計算実装を提案する。
最新のBRATS 2021 Challengesを用いてMFDNNモデルの評価を行った。
論文 参考訳（メタデータ） (2023-06-07T20:04:23Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳（メタデータ） (2022-03-01T17:16:41Z) - 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) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Automated Segmentation of Brain Gray Matter Nuclei on Quantitative
Susceptibility Mapping Using Deep Convolutional Neural Network [16.733578721523898]
脳皮質下核の鉄蓄積異常は、様々な神経変性疾患と相関していると報告されている。
本稿では3次元畳み込みニューラルネットワーク(CNN)に基づく2分岐残基構造U-Net(DB-ResUNet)を提案する。
論文 参考訳（メタデータ） (2020-08-03T14:32:30Z) - 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)
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。