論文の概要: Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data
- arxiv url: http://arxiv.org/abs/2403.15103v1
- Date: Fri, 22 Mar 2024 10:42:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 17:48:36.028076
- Title: Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data
- Title(参考訳): 胎児MRIにおけるクロスドメイン脳組織セグメンテーションの合成データによる改善
- Authors: Vladyslav Zalevskyi, Thomas Sanchez, Margaux Roulet, Jordina Aviles Verddera, Jana Hutter, Hamza Kebiri, Meritxell Bach Cuadra,
- Abstract要約: 胎児脳MRIにおける領域ランダム化手法であるFetal SynthSegを紹介する。
以上の結果から,合成データのみにトレーニングされたモデルは,実データにトレーニングされたモデルよりも優れていた。
評価は低磁場(0.55T)MRIで得られた40例に拡張し,新しいSRモデルを用いて再構成した。
- 参考スコア(独自算出の注目度): 1.1936126505067601
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation of fetal brain tissue from magnetic resonance imaging (MRI) plays a crucial role in the study of in utero neurodevelopment. However, automated tools face substantial domain shift challenges as they must be robust to highly heterogeneous clinical data, often limited in numbers and lacking annotations. Indeed, high variability of the fetal brain morphology, MRI acquisition parameters, and superresolution reconstruction (SR) algorithms adversely affect the model's performance when evaluated out-of-domain. In this work, we introduce FetalSynthSeg, a domain randomization method to segment fetal brain MRI, inspired by SynthSeg. Our results show that models trained solely on synthetic data outperform models trained on real data in out-ofdomain settings, validated on a 120-subject cross-domain dataset. Furthermore, we extend our evaluation to 40 subjects acquired using lowfield (0.55T) MRI and reconstructed with novel SR models, showcasing robustness across different magnetic field strengths and SR algorithms. Leveraging a generative synthetic approach, we tackle the domain shift problem in fetal brain MRI and offer compelling prospects for applications in fields with limited and highly heterogeneous data.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)による胎児脳組織の分節化は、子宮神経発達の研究において重要な役割を担っている。
しかし、自動化ツールは、非常に異質な臨床データに対して堅牢でなければならないため、しばしば数に制限があり、アノテーションが欠如しているため、かなりのドメインシフトに直面している。
実際、胎児脳形態、MRI取得パラメータ、超解像再構成(SR)アルゴリズムの高可変性は、ドメイン外評価時のモデルの性能に悪影響を及ぼす。
本研究では,SynthSegにインスパイアされた胎児脳MRIの領域ランダム化手法であるFetalSynthSegを紹介する。
以上の結果から,120オブジェクトのクロスドメインデータセットを用いて,実データでトレーニングしたモデルにおいて,合成データのみをトレーニングしたモデルが,実際のデータでトレーニングされたモデルよりも優れていたことが示唆された。
さらに,低磁場(0.55T)MRIを用いて得られた40名を対象に,新しいSRモデルを用いて再構成し,異なる磁場強度とSRアルゴリズムを用いたロバスト性を示す。
生成的合成アプローチを活用することで、胎児脳MRIにおけるドメインシフト問題に取り組み、限定的でヘテロジニアスなデータを持つ分野の応用に魅力的な可能性を提供する。
関連論文リスト
- Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
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。
論文 参考訳(メタデータ) (2024-03-04T19:56:19Z) - Artificial Intelligence in Fetal Resting-State Functional MRI Brain
Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models [1.2382905694337476]
本研究は、胎児脳fMRI, MRI(fMRI)における自動脳セグメンテーションのための人工知能(AI)の新たな応用を紹介した。
3D UNet、VNet、HighResNetの3つのAIモデルが採用された。
以上の結果から,胎児の安静時fMRI脳セグメンテーションにおける各種AIモデルの性能が明らかにされた。
論文 参考訳(メタデータ) (2023-11-17T19:57:05Z) - 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) - Metadata-Conditioned Generative Models to Synthesize
Anatomically-Plausible 3D Brain MRIs [12.492451825171408]
本稿では, メタデータ条件付きMRI(例えば, 年齢, 性別別MRI)を合成するための新しい生成モデルであるBrain Synthを提案する。
以上の結果から, 合成MRIの脳領域の半数以上が解剖学的に正確であり, 実際のMRIと合成MRIの差は小さいことが示唆された。
われわれの合成MRIは畳み込みニューラルネットワークのトレーニングを大幅に改善し、加速度的老化効果を同定する。
論文 参考訳(メタデータ) (2023-10-07T00:05:47Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Domain generalization in fetal brain MRI segmentation \\with
multi-reconstruction augmentation [0.348097307252416]
そこで本研究では,胎児脳MRIの超解像(SR)再構成手法のパワーを活用して,複数の被験者を再現する手法を提案する。
全体として、後者はSRパイプライン上のセグメンテーション法の一般化を著しく改善する。
論文 参考訳(メタデータ) (2022-11-25T18:29:53Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳(メタデータ) (2020-10-14T16:34:21Z) - Incorporating structured assumptions with probabilistic graphical models
in fMRI data analysis [5.23143327587266]
我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。
これらのアルゴリズムも同様にfMRIの課題に取り組む。
認知神経科学における明示的モデル構築のより広範な採用を提唱する。
論文 参考訳(メタデータ) (2020-05-11T06:32:54Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。