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

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
  乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。 提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
  論文  参考訳（メタデータ） (2024-05-17T10:53:40Z)
• SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
  合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。 人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。 以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T20:47:40Z)
• 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)
• 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)
• 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。