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
- 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) - Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced
Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging [0.6597195879147557]
T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。
拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-19T19:41:21Z) - 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) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - 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) - 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) - 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) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - 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。