論文の概要: wmh_seg: Transformer based U-Net for Robust and Automatic White Matter Hyperintensity Segmentation across 1.5T, 3T and 7T

• arxiv url: http://arxiv.org/abs/2402.12701v1
• Date: Tue, 20 Feb 2024 03:57:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 17:09:23.131511
• Title: wmh_seg: Transformer based U-Net for Robust and Automatic White Matter Hyperintensity Segmentation across 1.5T, 3T and 7T
• Title（参考訳）: wmh_seg: 1.5T, 3T, 7Tにまたがるロバストおよび自動ホワイトマターハイパーインテンシティセグメンテーションのためのトランスフォーマーベースのU-Net
• Authors: Jinghang Li, Tales Santini, Yuanzhe Huang, Joseph M. Mettenburg, Tamer S. Ibrahima, Howard J. Aizensteina, Minjie Wu
• Abstract要約: ホワイトマター・ハイパーインテンシティ(WMH)は神経変性疾患の最上位のバイオマーカーである。 最近のディープラーニングモデルでは、WMHセグメンテーションが約束されているが、依然として課題に直面している。 我々は、SegFormerのトランスフォーマーベースのエンコーダを活用した、新しいディープラーニングモデルであるwmh_segを紹介する。
• 参考スコア（独自算出の注目度）: 1.583327010995414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: White matter hyperintensity (WMH) remains the top imaging biomarker for neurodegenerative diseases. Robust and accurate segmentation of WMH holds paramount significance for neuroimaging studies. The growing shift from 3T to 7T MRI necessitates robust tools for harmonized segmentation across field strengths and artifacts. Recent deep learning models exhibit promise in WMH segmentation but still face challenges, including diverse training data representation and limited analysis of MRI artifacts' impact. To address these, we introduce wmh_seg, a novel deep learning model leveraging a transformer-based encoder from SegFormer. wmh_seg is trained on an unmatched dataset, including 1.5T, 3T, and 7T FLAIR images from various sources, alongside with artificially added MR artifacts. Our approach bridges gaps in training diversity and artifact analysis. Our model demonstrated stable performance across magnetic field strengths, scanner manufacturers, and common MR imaging artifacts. Despite the unique inhomogeneity artifacts on ultra-high field MR images, our model still offers robust and stable segmentation on 7T FLAIR images. Our model, to date, is the first that offers quality white matter lesion segmentation on 7T FLAIR images.
• Abstract（参考訳）: ホワイトマター・ハイパーインテンシティ(wmh)は、神経変性疾患の最高イメージングバイオマーカーである。 WMHのロバストかつ正確なセグメンテーションは、神経画像研究において最重要となる。 3Tから7Tへの変化は、フィールド強度とアーティファクトをまたいだ調和したセグメンテーションのための堅牢なツールを必要とする。 近年のディープラーニングモデルは、WMHセグメンテーションにおいて有望であるが、多様なトレーニングデータ表現やMRIアーチファクトの影響の限定的な分析など、依然として課題に直面している。 そこで本研究では,segformerのトランスフォーマによるエンコーダを活用した,新しいディープラーニングモデルであるwmh_segを提案する。 wmh_segは、さまざまなソースからの1.5T、3T、7T FLAIRイメージを含む、マッチしないデータセットでトレーニングされ、人工的なMRアーティファクトが追加されている。 我々のアプローチは、多様性とアーティファクト分析のトレーニングにおけるギャップを埋める。 本モデルは, 磁場強度, スキャナーメーカ, 一般的なMRイメージングアーティファクトにまたがって安定した性能を示した。 超高視野mr画像における特異な不均一性アーティファクトにもかかわらず、7tフレア画像に対するロバストで安定したセグメンテーションを提供する。 われわれのモデルは7T FLAIR画像に高品質な白質病変のセグメンテーションを提供する最初のモデルである。

関連論文リスト

• Reconstructing Retinal Visual Images from 3T fMRI Data Enhanced by Unsupervised Learning [2.1597860906272803]
  GAN(unsupervised Generative Adversarial Network)を通して3T fMRIデータを生成する新しいフレームワークを提案する。 本稿では,3T fMRIデータの再構成能力を実証し,優れた入力画像を生成する能力を強調した。
  論文  参考訳（メタデータ） (2024-04-07T23:31:37Z)
• 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6万枚のfMRI画像ペアでトレーニングを行うことで,fMRI画像から画像への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)
• 7T MRI Synthesization from 3T Acquisitions [0.0]
  改良されたディープラーニング技術は、3T MRI入力から合成された7T MRIを生成するために使用できる。 本稿では,V-Net畳み込みニューラルネットワークのカスタム設計版に基づく,新しい7T合成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-13T22:06:44Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty Estimation in 3D Cardiac MRI Image Segmentation [0.0]
  画素レベル(セグメンテーション)タスクと幾何学レベル(距離マップ)タスクの相関を強制するマルチタスククロスタスク学習整合性アプローチを提案する。 本研究は、与えられたモデルから低品質セグメンテーションをフラグする我々のモデルの可能性をさらに示すものである。
  論文  参考訳（メタデータ） (2021-09-16T03:53:24Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。