論文の概要: Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion
- arxiv url: http://arxiv.org/abs/2402.13776v1
- Date: Wed, 21 Feb 2024 12:54:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 15:35:48.812850
- Title: Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion
- Title(参考訳): cas-diffcom : 乳児縦型3次元医用画像補完のためのカスケード拡散モデル
- Authors: Lianghu Guo, Tianli Tao, Xinyi Cai, Zihao Zhu, Jiawei Huang, Lixuan
Zhu, Zhuoyang Gu, Haifeng Tang, Rui Zhou, Siyan Han, Yan Liang, Qing Yang,
Dinggang Shen, Han Zhang
- Abstract要約: 超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
- 参考スコア(独自算出の注目度): 47.83003164569194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early infancy is a rapid and dynamic neurodevelopmental period for behavior
and neurocognition. Longitudinal magnetic resonance imaging (MRI) is an
effective tool to investigate such a crucial stage by capturing the
developmental trajectories of the brain structures. However, longitudinal MRI
acquisition always meets a serious data-missing problem due to participant
dropout and failed scans, making longitudinal infant brain atlas construction
and developmental trajectory delineation quite challenging. Thanks to the
development of an AI-based generative model, neuroimage completion has become a
powerful technique to retain as much available data as possible. However,
current image completion methods usually suffer from inconsistency within each
individual subject in the time dimension, compromising the overall quality. To
solve this problem, our paper proposed a two-stage cascaded diffusion model,
Cas-DiffCom, for dense and longitudinal 3D infant brain MRI completion and
super-resolution. We applied our proposed method to the Baby Connectome Project
(BCP) dataset. The experiment results validate that Cas-DiffCom achieves both
individual consistency and high fidelity in longitudinal infant brain image
completion. We further applied the generated infant brain images to two
downstream tasks, brain tissue segmentation and developmental trajectory
delineation, to declare its task-oriented potential in the neuroscience field.
- Abstract(参考訳): 幼少期は行動と神経認知の急速かつダイナミックな発達期である。
縦方向磁気共鳴画像(MRI)は、脳構造の発達軌跡を捉えることで、そのような重要な段階を解明するための有効な手段である。
しかし, 経時的MRIの取得は, 被験者の脱落やスキャンの失敗などによる深刻なデータ欠落の問題に常に対応し, 乳児期中脳房構築と発達過程の脱線を極めて困難にしている。
AIベースの生成モデルの開発により、ニューロ画像の完成は可能な限り多くのデータを保持できる強力な技術となった。
しかし、現在の画像補完法は通常、時間次元において各被験者内の不整合に悩まされ、全体的な品質を損なう。
そこで本研究では, 高密度・縦型3次元乳幼児脳mriの完成と超解像のための2段階カスケード拡散モデルcas-diffcomを提案した。
提案手法をBaby Connectome Project (BCP) データセットに適用した。
実験の結果,Cas-DiffComは縦型乳幼児脳画像における個々の一貫性と忠実度の両方を達成できることがわかった。
さらに, 生成した幼児脳像を2つの下流課題, 脳組織分節と発達軌道分節に応用し, 神経科学分野における課題指向のポテンシャルを宣言した。
関連論文リスト
- Fetal-BET: Brain Extraction Tool for Fetal MRI [4.214523989654048]
約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。
このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。
本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
論文 参考訳(メタデータ) (2023-10-02T18:14:23Z) - Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。
実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。
したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
論文 参考訳(メタデータ) (2023-07-14T08:51:03Z) - Continuous longitudinal fetus brain atlas construction via implicit
neural representation [8.593931751099944]
本研究では,4次元脳量+1次元年齢画像データ記述タスクとして,時間不整合問題に対処する多段階ディープラーニングフレームワークを提案する。
暗黙の表現を用いて、4次元空間座標の関数として、連続的かつノイズのない縦型胎児脳アトラスを構築した。
論文 参考訳(メタデータ) (2022-09-14T04:51:17Z) - Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。
完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。
もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文 参考訳(メタデータ) (2022-02-14T19:29:08Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-01-31T09:39:52Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - Image Augmentation Using a Task Guided Generative Adversarial Network
for Age Estimation on Brain MRI [6.051767128521292]
本稿では,データ不足を克服するGANに基づく画像合成手法を提案する。
従来のGAN損失にタスク誘導損失を加えることで、学習された低次元潜在空間と合成画像はよりタスク固有となる。
提案手法は,深い畳み込みニューラルネットワークに基づく回帰モデルと,タスク誘導分岐を伴わないGANに基づく画像合成法より優れている(統計的に有意)。
論文 参考訳(メタデータ) (2021-08-03T17:56:50Z) - Longitudinal Correlation Analysis for Decoding Multi-Modal Brain
Development [17.970347089803596]
縦相関解析(LCA)という解析手法を提案する。
LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。
若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
論文 参考訳(メタデータ) (2021-07-10T00:07:06Z) - Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional
Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。
3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
論文 参考訳(メタデータ) (2020-10-07T01:24:15Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。