論文の概要: Boosting Skull-Stripping Performance for Pediatric Brain Images
- arxiv url: http://arxiv.org/abs/2402.16634v1
- Date: Mon, 26 Feb 2024 15:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 20:18:12.194325
- Title: Boosting Skull-Stripping Performance for Pediatric Brain Images
- Title(参考訳): 小児脳画像におけるスカルストリッピング性能の向上
- Authors: William Kelley, Nathan Ngo, Adrian V. Dalca, Bruce Fischl, Lilla
Z\"ollei, Malte Hoffmann
- Abstract要約: 頭蓋骨を切断する道具は多数存在するが、小児の個体数は少ない。
小児画像に適した頭蓋骨切断モデル「SynthStrip」を提案する。
我々のモデルは、スキャンタイプと年齢コホートで小児のベースラインを大幅に上回っている。
- 参考スコア(独自算出の注目度): 5.50076154635035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skull-stripping is the removal of background and non-brain anatomical
features from brain images. While many skull-stripping tools exist, few target
pediatric populations. With the emergence of multi-institutional pediatric data
acquisition efforts to broaden the understanding of perinatal brain
development, it is essential to develop robust and well-tested tools ready for
the relevant data processing. However, the broad range of neuroanatomical
variation in the developing brain, combined with additional challenges such as
high motion levels, as well as shoulder and chest signal in the images, leaves
many adult-specific tools ill-suited for pediatric skull-stripping. Building on
an existing framework for robust and accurate skull-stripping, we propose
developmental SynthStrip (d-SynthStrip), a skull-stripping model tailored to
pediatric images. This framework exposes networks to highly variable images
synthesized from label maps. Our model substantially outperforms pediatric
baselines across scan types and age cohorts. In addition, the <1-minute runtime
of our tool compares favorably to the fastest baselines. We distribute our
model at https://w3id.org/synthstrip.
- Abstract(参考訳): 頭蓋骨採取とは、脳の画像から背景と非脳の解剖学的特徴を取り除くことである。
頭蓋骨を切断する道具は多数存在するが、対象とする小児は少ない。
周産期脳の発達を理解するための多施設の小児データ取得の取り組みが出現し、関連するデータ処理の準備が整った堅牢でよくテストされたツールを開発することが不可欠である。
しかし、発達する脳の幅広い神経解剖学的変化は、高い運動レベルや肩や胸の信号などの追加の課題と相まって、小児科の頭蓋切断に不適な成人特有の多くの道具を残している。
そこで我々は, 頭蓋骨切断モデルであるSynthStrip (d-SynthStrip) を開発した。
このフレームワークはラベルマップから合成された高度に可変な画像にネットワークを公開する。
我々のモデルは、スキャンタイプと年齢コホートで小児のベースラインを大幅に上回る。
さらに、このツールの<1分のランタイムは、最速のベースラインと比較できる。
私たちはモデルをhttps://w3id.org/synthstrip.comで配布します。
関連論文リスト
- Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
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。
論文 参考訳(メタデータ) (2024-02-21T12:54:40Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - 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) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳(メタデータ) (2023-07-10T15:35:31Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - SynthStrip: Skull-Stripping for Any Brain Image [7.846209440615028]
我々は,学習に基づく迅速な脳抽出ツールであるSynthStripを紹介した。
解剖学的セグメンテーションを活用することで、SynthStripは、解剖学、強度分布、および医療画像の現実的な範囲をはるかに超える人工的なトレーニングデータセットを生成する。
一般的な頭蓋骨切断ベースラインよりも精度が大幅に向上した。
論文 参考訳(メタデータ) (2022-03-18T14:08:20Z) - 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) - A Few-shot Learning Graph Multi-Trajectory Evolution Network for
Forecasting Multimodal Baby Connectivity Development from a Baseline
Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。
これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文 参考訳(メタデータ) (2021-10-06T08:26:57Z) - 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) - Age-Conditioned Synthesis of Pediatric Computed Tomography with
Auxiliary Classifier Generative Adversarial Networks [4.36582320498337]
本稿では,ACGANアーキテクチャを用いて,リアルな小児CT画像を条件付きで合成する手法を提案する。
提案したネットワークは,小児訓練データセットを充実させるために,年齢条件の高分解能CT画像を生成する。
論文 参考訳(メタデータ) (2020-01-31T16:52:10Z)
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。