論文の概要: Automatic Segmentation of the Spinal Cord Nerve Rootlets
- arxiv url: http://arxiv.org/abs/2402.00724v1
- Date: Thu, 1 Feb 2024 16:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 14:36:55.874557
- Title: Automatic Segmentation of the Spinal Cord Nerve Rootlets
- Title(参考訳): 脊髄神経根部の自動分節化
- Authors: Jan Valosek, Theo Mathieu, Raphaelle Schlienger, Olivia S. Kowalczyk,
Julien Cohen-Adad
- Abstract要約: 本研究の目的は,T2強調MRIによる脊髄神経根のセマンティックセグメンテーションのための自動手法を開発することである。
2つのオープンアクセスMRIデータセットから得られた画像は、C2-C8背側神経根をセグメント化するためのアクティブな学習アプローチを使用して、3D畳み込みニューラルネットワークを訓練するために使用された。
この方法は、トレーニング中に見つからないデータセットの3T T2強調画像を用いて、サイト間、セッション間、解像度間の変動を評価した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise identification of spinal nerve rootlets is relevant to delineate
spinal levels for the study of functional activity in the spinal cord. The goal
of this study was to develop an automatic method for the semantic segmentation
of spinal nerve rootlets from T2-weighted magnetic resonance imaging (MRI)
scans. Images from two open-access MRI datasets were used to train a 3D
multi-class convolutional neural network using an active learning approach to
segment C2-C8 dorsal nerve rootlets. Each output class corresponds to a spinal
level. The method was tested on 3T T2-weighted images from datasets unseen
during training to assess inter-site, inter-session, and inter-resolution
variability. The test Dice score was 0.67 +- 0.16 (mean +- standard deviation
across rootlets levels), suggesting a good performance. The method also
demonstrated low inter-vendor and inter-site variability (coefficient of
variation <= 1.41 %), as well as low inter-session variability (coefficient of
variation <= 1.30 %) indicating stable predictions across different MRI
vendors, sites, and sessions. The proposed methodology is open-source and
readily available in the Spinal Cord Toolbox (SCT) v6.2 and higher.
- Abstract(参考訳): 脊髄神経根の正確な同定は、脊髄の機能的活動を研究するために脊髄レベルを決定することに関係している。
本研究の目的は,t2-weighted magnetic resonance imaging (mri) スキャンによる脊髄神経根のセグメンテーションの自動解析法を開発することである。
c2-c8背側神経根へのアクティブラーニングアプローチを用いた3d多層畳み込みニューラルネットワークのトレーニングには、2つのオープンアクセスmriデータセットからのイメージが使用された。
各出力クラスは、脊髄レベルに対応する。
この方法は,サイト間,セッション間,解像度間変動を評価するためのトレーニング中,データセットから得られた3t t2重み付き画像でテストされた。
テストサイススコアは 0.67 +- 0.16 (平均+-標準偏差) であり、良好な性能を示している。
この方法はまた、低ベンダー間およびサイト間変動(変動係数<=1.41 %)、低セッション間変動(変動係数<=1.30 %)がMRIベンダー、サイト、セッション間で安定した予測を示すことを示した。
提案手法はオープンソースであり、Spinal Cord Toolbox (SCT) v6.2以上で容易に利用可能である。
関連論文リスト
- Learning-based Bone Quality Classification Method for Spinal Metastasis [36.59899006688448]
脊椎転移の早期発見は、正確なステージングと最適な治療に重要である。
本稿では,CT画像に基づく脊椎転移の骨質自動分類法について検討する。
論文 参考訳(メタデータ) (2024-02-14T02:53:51Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳(メタデータ) (2022-11-05T10:27:37Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - SpineNetV2: Automated Detection, Labelling and Radiological Grading Of
Clinical MR Scans [70.04389979779195]
SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。
また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
論文 参考訳(メタデータ) (2022-05-03T15:05:58Z) - Multi-input segmentation of damaged brain in acute ischemic stroke
patients using slow fusion with skip connection [1.372466817835681]
急性虚血性脳梗塞患者における2つの虚血領域(コアとペナムブラ)を自動分割する方法を提案する。
我々のモデルは、マルチインプットと遅い融合を伴う畳み込み・デコンボリューションのボトルネック構造に基づいている。
提案したアーキテクチャは、神経放射線学者が注釈付けした地上の真実に匹敵する効果的な性能と結果を示す。
論文 参考訳(メタデータ) (2022-03-18T16:26:53Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。
提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文 参考訳(メタデータ) (2020-09-09T18:28:00Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳(メタデータ) (2020-08-05T08:49:20Z) - 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) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳(メタデータ) (2019-12-27T02:49:45Z)
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。