論文の概要: Anatomically Constrained Tractography of the Fetal Brain
- arxiv url: http://arxiv.org/abs/2403.02444v1
- Date: Mon, 4 Mar 2024 19:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 17:10:18.814440
- Title: Anatomically Constrained Tractography of the Fetal Brain
- Title（参考訳）: 解剖学的に拘束された胎児脳のトラクトグラフィー
- Authors: Camilo Calixto, Camilo Jaimes, Matheus D. Soldatelli, Simon K.
Warfield, Ali Gholipour, Davood Karimi
- Abstract要約: 我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
- 参考スコア（独自算出の注目度）: 6.112565873653592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-weighted Magnetic Resonance Imaging (dMRI) is increasingly used to
study the fetal brain in utero. An important computation enabled by dMRI is
streamline tractography, which has unique applications such as tract-specific
analysis of the brain white matter and structural connectivity assessment.
However, due to the low fetal dMRI data quality and the challenging nature of
tractography, existing methods tend to produce highly inaccurate results. They
generate many false streamlines while failing to reconstruct streamlines that
constitute the major white matter tracts. In this paper, we advocate for
anatomically constrained tractography based on an accurate segmentation of the
fetal brain tissue directly in the dMRI space. We develop a deep learning
method to compute the segmentation automatically. Experiments on independent
test data show that this method can accurately segment the fetal brain tissue
and drastically improve tractography results. It enables the reconstruction of
highly curved tracts such as optic radiations. Importantly, our method infers
the tissue segmentation and streamline propagation direction from a diffusion
tensor fit to the dMRI data, making it applicable to routine fetal dMRI scans.
The proposed method can lead to significant improvements in the accuracy and
reproducibility of quantitative assessment of the fetal brain with dMRI.
- Abstract（参考訳）: 拡散強調磁気共鳴イメージング(dMRI)は子宮の胎児脳の研究にますます用いられている。
dMRIによって実現された重要な計算は、脳白質のトラクション特異的解析や構造接続性評価などのユニークな応用を持つ、ストリーライントラクトグラフィである。
しかし、胎児のdMRIデータ品質が低く、トラクトグラフィーの難易度が高いため、既存の手法では精度の低い結果が得られる傾向にある。
それらは多くの偽の流線を発生させるが、主要な白質路を構成する流線を再構築することができない。
本稿では,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束的トラクトグラフィーを提唱する。
セグメンテーションを自動的に計算する深層学習法を開発した。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
光学放射のような高度に湾曲した路面の再構築を可能にする。
本手法は,dMRIデータに適合する拡散テンソルから組織分画および流線伝播方向を推定し,正常な胎児dMRIスキャンに適用する。
提案法は,dMRIを用いた胎児脳の定量的評価の精度と再現性を大幅に向上させる可能性がある。
関連論文リスト
- Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。
妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
論文 参考訳（メタデータ） (2024-08-26T14:54:14Z) - Detailed delineation of the fetal brain in diffusion MRI via multi-task learning [5.261252388770444]
我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。
これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
論文 参考訳（メタデータ） (2024-08-26T13:51:04Z) - HAITCH: A Framework for Distortion and Motion Correction in Fetal Multi-Shell Diffusion-Weighted MRI [5.393543723150301]
この研究は、マルチシェル高角解像度胎児dMRIデータの修正と再構成を行う最初の、かつ唯一公開されたツールであるHAITCHを提示する。
HaITCHは、動的歪み補正のためのblip-reversed dual-echo取得を含む、いくつかの技術的進歩を提供している。
HaITCHはアーティファクトの除去に成功し、高度な拡散モデリングに適した高忠実度胎児dMRIデータを再構成する。
論文 参考訳（メタデータ） (2024-06-28T16:40:57Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - 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) - Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance
from High-Quality Isotropic Volumes [52.242103848335354]
本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。
我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
論文 参考訳（メタデータ） (2023-08-13T12:51:15Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳（メタデータ） (2021-06-14T12:19:27Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z)
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。