論文の概要: Region-based U-net for accelerated training and enhanced precision in deep brain segmentation

• arxiv url: http://arxiv.org/abs/2403.09414v1
• Date: Thu, 14 Mar 2024 14:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-15 20:17:36.905875
• Title: Region-based U-net for accelerated training and enhanced precision in deep brain segmentation
• Title（参考訳）: 深部脳分節訓練における領域ベースU-netの高速化と精度向上
• Authors: Mengyu Li, Magnus Magnusson, Thilo van Eimeren, Lotta M. Ellingsen,
• Abstract要約: 本稿では,12の深層脳構造に対する深層学習に基づくセグメンテーション手法を提案する。 提案手法は平均Dice similarity Coefficient (DSC) 0.901, 95% Hausdorff Distance (HD95) 1.155mmの精度で得られた。
• 参考スコア（独自算出の注目度）: 0.9874634324357792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of brain structures on MRI is the primary step for further quantitative analysis of brain diseases. Manual segmentation is still considered the gold standard in terms of accuracy; however, such data is extremely time-consuming to generate. This paper presents a deep learning-based segmentation approach for 12 deep-brain structures, utilizing multiple region-based U-Nets. The brain is divided into three focal regions of interest that encompass the brainstem, the ventricular system, and the striatum. Next, three region-based U-nets are run in parallel to parcellate these larger structures into their respective four substructures. This approach not only greatly reduces the training and processing times but also significantly enhances the segmentation accuracy, compared to segmenting the entire MRI image at once. Our approach achieves remarkable accuracy with an average Dice Similarity Coefficient (DSC) of 0.901 and 95% Hausdorff Distance (HD95) of 1.155 mm. The method was compared with state-of-the-art segmentation approaches, demonstrating a high level of accuracy and robustness of the proposed method.
• Abstract（参考訳）: MRIにおける脳構造の分離は、脳疾患のさらなる定量的解析の第一ステップである。 手動のセグメンテーションは依然として正確性の観点からは金の標準と見なされているが、そのようなデータは生成に非常に時間がかかる。 本稿では,12の深層脳構造に対する深層学習に基づくセグメンテーション手法を提案する。 脳は脳幹、心室系、線条体を含む3つの焦点領域に分けられる。 次に、これらの大きな構造をそれぞれの4つのサブ構造に解析するために、3つのリージョンベースのU-netが並列に実行される。 このアプローチは、トレーニングや処理時間を大幅に短縮するだけでなく、MRI画像全体を一度にセグメント化するよりも、セグメント化の精度を大幅に向上させる。 提案手法は平均Dice similarity Coefficient (DSC) 0.901, 95% Hausdorff Distance (HD95) 1.155mmの精度で得られた。 本手法は最先端のセグメンテーション手法と比較し,提案手法の精度とロバスト性を示した。

関連論文リスト

• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• WSC-Trans: A 3D network model for automatic multi-structural segmentation of temporal bone CT [5.821303529939008]
  側頭骨CTにおける多構造目標の自動セグメンテーションのための3次元ネットワークモデルを提案する。 このアルゴリズムは特徴抽出のためにCNNとTransformerを組み合わせて,空間的注意とチャネル注意機構を活用し,セグメンテーション効果をさらに改善する。
  論文  参考訳（メタデータ） (2022-11-14T06:44:37Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Nested-block self-attention for robust radiotherapy planning segmentation [3.2541650155921142]
  深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。 定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。 我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
  論文  参考訳（メタデータ） (2021-02-26T15:28:47Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Automated Claustrum Segmentation in Human Brain MRI Using Deep Learning [3.263309103832064]
  本稿では,T1強調MRIにおけるクラスラム分割のための多視点Deep Learningに基づくアプローチを提案する。 両手指節アノテーションを基準基準とした181名を対象に,提案手法の訓練と評価を行った。 クロスバリデーション実験では、中央値のボリュームの類似性、堅牢なハウスドルフ距離、Diceスコアはそれぞれ93.3%、 1.41mm、71.8%となり、ヒトのラジオ内信頼性と同等または優れたセグメンテーション性能を示した。
  論文  参考訳（メタデータ） (2020-08-08T07:25:48Z)
• Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network [16.733578721523898]
  脳皮質下核の鉄蓄積異常は、様々な神経変性疾患と相関していると報告されている。 本稿では3次元畳み込みニューラルネットワーク(CNN)に基づく2分岐残基構造U-Net(DB-ResUNet)を提案する。
  論文  参考訳（メタデータ） (2020-08-03T14:32:30Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。