論文の概要: H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI
for hypothalamus subregion segmentation
- arxiv url: http://arxiv.org/abs/2401.17104v1
- Date: Tue, 30 Jan 2024 15:36:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:32:45.579350
- Title: H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI
for hypothalamus subregion segmentation
- Title（参考訳）: H-SynEx:視床下部領域分割のための合成画像と超高分解能生体外MRI
- Authors: Livia Rodrigues, Martina Bocchetta, Oula Puonti, Douglas Greve, Ana
Carolina Londe, Marcondes Fran\c{c}a, Simone Appenzeller, Juan Eugenio
Iglesias, Leticia Rittner
- Abstract要約: 超高分解能体外MRI画像から作成したラベルマップから合成した画像を用いて深層学習法H-synExを訓練した。
H-SynExは視床下部を様々なMRIシークエンスに分割し、大きなスライス間隔(5mm)を持つFLAIRシークエンスを含む。
また,5mm間隔のFLAIR画像では,自動セグメンテーションによりコントロールの識別が可能であった。
- 参考スコア（独自算出の注目度）: 1.0881137625498511
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: To develop a method for automated segmentation of hypothalamus
subregions informed by ultra-high resolution ex vivo magnetic resonance images
(MRI), which generalizes across MRI sequences and resolutions without
retraining.
Materials and Methods: We trained our deep learning method, H-synEx, with
synthetic images derived from label maps built from ultra-high resolution ex
vivo MRI scans, which enables finer-grained manual segmentation when compared
with 1mm isometric in vivo images. We validated this retrospective study using
1535 in vivo images from six datasets and six MRI sequences. The quantitative
evaluation used the Dice Coefficient (DC) and Average Hausdorff distance (AVD).
Statistical analysis compared hypothalamic subregion volumes in controls,
Alzheimer's disease (AD), and behavioral variant frontotemporal dementia
(bvFTD) subjects using the area under the curve (AUC) and Wilcoxon rank sum
test.
Results: H-SynEx can segment the hypothalamus across various MRI sequences,
encompassing FLAIR sequences with significant slice spacing (5mm). Using
hypothalamic volumes on T1w images to distinguish control from AD and bvFTD
patients, we observed AUC values of 0.74 and 0.79 respectively. Additionally,
AUC=0.66 was found for volume variation on FLAIR scans when comparing control
and non-patients.
Conclusion: Our results show that H-SynEx successfully leverages information
from ultra-high resolution scans to segment in vivo from different MRI
sequences such as T1w, T2w, PD, qT1, FA, and FLAIR. We also found that our
automated segmentation was able to discriminate controls versus patients on
FLAIR images with 5mm spacing. H-SynEx is openly available at
https://github.com/liviamarodrigues/hsynex.
- Abstract（参考訳）: 目的: 超高分解能mri(ultra-high resolution ex vivo magnetic resonance image)による視床下部部分領域の自動分割法を開発すること。
材料と方法:我々は,超高解像度ex vivomriスキャンから作成したラベルマップから得られた合成画像を用いて,深層学習法h-synexを訓練した。
6つのデータセットと6つのmriシークエンスから1535個のin vivo画像を用いて、この振り返り調査を行った。
Dice Coefficient (DC) と Average Hausdorff distance (AVD) を用いた定量的評価を行った。
統計学的には, 対照群, アルツハイマー病群, 行動変異型前頭葉認知症群 (bvftd) の視床下部サブリージョン容積を, 曲線下領域 (auc) とウィルコクソンランクサムテストを用いて比較した。
結果: H-SynExは視床下部を様々なMRIシークエンスに区分し, FLAIRシークエンスを有意なスライス間隔(5mm)で含む。
t1w画像上の視床下部容積を用いてad患者とbvftd患者を区別し,それぞれ0.74および0.79のauc値を認めた。
さらにAUC=0.66は、コントロールと非患者の比較においてFLAIRスキャンの体積変化が認められた。
結論: H-SynExはT1w, T2w, PD, qT1, FA, FLAIRなどのMRI画像から, 超高分解能スキャンの情報をインビボで抽出することに成功した。
また,5mm間隔のFLAIR画像では,自動セグメンテーションによりコントロールの識別が可能であった。
H-SynExはhttps://github.com/liviamarodrigues/hsynex.comで公開されている。
関連論文リスト
- Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。
ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。
CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Surface-based parcellation and vertex-wise analysis of ultra high-resolution ex vivo 7 tesla MRI in Alzheimer's disease and related dementias [32.61675068837929]
アルツハイマー病と関連する認知症にまたがる等方分解能の0.3mmで、82個の脳半球外T2wの1-of-in-kindデータセットを提出した。
Desikan-Killiany-Tourville (DKT) 脳のアトラスを用いて,超高分解能の生体外脳組織を母体空間分解能で解析するために,高速で使いやすく自動表面ベースパイプラインを開発した。
論文 参考訳（メタデータ） (2024-03-28T15:27:34Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - 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) - Generative AI for Rapid Diffusion MRI with Improved Image Quality,
Reliability and Generalizability [3.6119644566822484]
我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。
成人健常者におけるHCPデータを用いた超解像実験を行った。
高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
論文 参考訳（メタデータ） (2023-03-10T03:39:23Z) - A Survey of Feature detection methods for localisation of plain sections
of Axial Brain Magnetic Resonance Imaging [0.0]
患者のMRI画像と患者のMRIスライスを脳の模擬アトラスにマッピングすることは、脳のMRIの自動登録の鍵となる。
本研究では,脳のMRIと異なる患者のMRIのマッチングや,MRIのスライスと脳のアトラスの位置をマッチングする手法とアプローチを比較できるように,ロバストネス,精度,累積距離の計測と方法論を導入している。
論文 参考訳（メタデータ） (2023-02-08T16:24:09Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and
no Retraining [1.0499611180329802]
クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。
画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。
一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。
条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
論文 参考訳（メタデータ） (2022-03-03T19:18:28Z) - 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) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-26T02:50:09Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。