Fugu-MT 論文翻訳(概要): CINA: Conditional Implicit Neural Atlas for Spatio-Temporal Representation of Fetal Brains

論文の概要: CINA: Conditional Implicit Neural Atlas for Spatio-Temporal Representation of Fetal Brains

arxiv url: http://arxiv.org/abs/2403.08550v1
Date: Wed, 13 Mar 2024 14:02:42 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 14:11:03.402436
Title: CINA: Conditional Implicit Neural Atlas for Spatio-Temporal Representation of Fetal Brains
Title（参考訳）: CINA:時空間対応のための条件付きインシシデントニューラルアトラス胎児脳の表現
Authors: Maik Dannecker, Vanessa Kyriakopoulou, Lucilio Cordero-Grande, Anthony N. Price, Joseph V. Hajnal, Daniel Rueckert
Abstract要約: CINAは胎児の脳の一般的な表現を学び、被検体固有の情報を潜伏コードにエンコードする。トレーニング後、CINAは胎児の脳の組織確率マップを持つ忠実なアトラスを構築することができる。 CINAは、神経型脳と心室筋腫を有する病理性脳に対して優れた精度を示す。
参考スコア（独自算出の注目度）: 10.512435553279346
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We introduce a conditional implicit neural atlas (CINA) for spatio-temporal atlas generation from Magnetic Resonance Images (MRI) of the neurotypical and pathological fetal brain, that is fully independent of affine or non-rigid registration. During training, CINA learns a general representation of the fetal brain and encodes subject specific information into latent code. After training, CINA can construct a faithful atlas with tissue probability maps of the fetal brain for any gestational age (GA) and anatomical variation covered within the training domain. Thus, CINA is competent to represent both, neurotypical and pathological brains. Furthermore, a trained CINA model can be fit to brain MRI of unseen subjects via test-time optimization of the latent code. CINA can then produce probabilistic tissue maps tailored to a particular subject. We evaluate our method on a total of 198 T2 weighted MRI of normal and abnormal fetal brains from the dHCP and FeTA datasets. We demonstrate CINA's capability to represent a fetal brain atlas that can be flexibly conditioned on GA and on anatomical variations like ventricular volume or degree of cortical folding, making it a suitable tool for modeling both neurotypical and pathological brains. We quantify the fidelity of our atlas by means of tissue segmentation and age prediction and compare it to an established baseline. CINA demonstrates superior accuracy for neurotypical brains and pathological brains with ventriculomegaly. Moreover, CINA scores a mean absolute error of 0.23 weeks in fetal brain age prediction, further confirming an accurate representation of fetal brain development.
Abstract（参考訳）: 磁気共鳴画像(MRI)からの時空間アトラス生成のための条件付き暗黙神経アトラス(CINA)を導入する。トレーニング中、CINAは胎児の脳の一般的な表現を学び、対象の特定の情報を潜伏コードにエンコードする。トレーニング後、CINAは胎児の脳の組織確率マップを任意の妊娠年齢(GA)と、トレーニング領域内を覆う解剖学的変異で構築することができる。したがって、CINAは神経型脳と病理性脳の両方を表現できる。さらに、トレーニングされたCINAモデルは、潜伏コードのテストタイム最適化を通じて、見えない被験者の脳MRIに適合することができる。その後、CINAは特定の主題に合わせて確率論的組織マップを作成できる。今回我々は,dHCPおよびFeTAデータセットから得られた正常および異常胎児脳のT2強調MRI198例について検討した。心室容積や大脳皮質の折り畳み度などの解剖学的変化に柔軟に調節できる胎児性脳腺腫を表現できるCINAの能力を実証し,神経型脳と病理学的脳の両方をモデル化するのに適したツールとなった。組織分画と年齢予測を用いて, アトラスの忠実度を定量化し, 確立した基準値と比較した。 CINAは、神経型脳と腹腔鏡下脳に優れた精度を示す。さらに、CINAは胎児の脳年齢予測において平均0.23週間の絶対誤差を記録し、胎児の脳発達の正確な表現を確認する。

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)
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)
Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文参考訳（メタデータ） (2024-02-12T14:46:31Z)
FetMRQC: a robust quality control system for multi-centric fetal brain MRI [33.08151493899017]
本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。 FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
論文参考訳（メタデータ） (2023-11-08T15:59:41Z)
Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文参考訳（メタデータ） (2023-05-27T22:28:25Z)
NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文参考訳（メタデータ） (2023-01-01T12:48:12Z)
BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文参考訳（メタデータ） (2022-08-05T07:54:10Z)
CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
論文参考訳（メタデータ） (2022-05-17T11:23:02Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)
Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
論文参考訳（メタデータ） (2020-05-20T06:43:41Z)

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。