論文の概要: A benchmark for 2D foetal brain ultrasound analysis

• arxiv url: http://arxiv.org/abs/2406.17250v1
• Date: Tue, 25 Jun 2024 03:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 15:51:17.698471
• Title: A benchmark for 2D foetal brain ultrasound analysis
• Title（参考訳）: 2次元胎児脳超音波解析のためのベンチマーク
• Authors: Mariano Cabezas, Yago Diez, Clara Martinez-Diago, Anna Maroto,
• Abstract要約: 妊娠20週目に得られた104個の2D脳超音波画像について報告する。 この画像は、興味のある構造から脳の発達を分析することまで、目印となる点を強調するために注釈付けされている。
• 参考スコア（独自算出の注目度）: 0.3742372933871118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain development involves a sequence of structural changes from early stages of the embryo until several months after birth. Currently, ultrasound is the established technique for screening due to its ability to acquire dynamic images in real-time without radiation and to its cost-efficiency. However, identifying abnormalities remains challenging due to the difficulty in interpreting foetal brain images. In this work we present a set of 104 2D foetal brain ultrasound images acquired during the 20th week of gestation that have been co-registered to a common space from a rough skull segmentation. The images are provided both on the original space and template space centred on the ellipses of all the subjects. Furthermore, the images have been annotated to highlight landmark points from structures of interest to analyse brain development. Both the final atlas template with probabilistic maps and the original images can be used to develop new segmentation techniques, test registration approaches for foetal brain ultrasound, extend our work to longitudinal datasets and to detect anomalies in new images.
• Abstract（参考訳）: 脳の発達には、胚の初期から生後数ヶ月までの一連の構造変化が含まれる。 現在、超音波は放射線を使わずにリアルタイムに動的画像を取得する能力とコスト効率の確立したスクリーニング技術である。 しかし、胎児脳画像の解釈が困難であるため、異常の同定は依然として困難である。 本研究では,20週目の妊娠中に得られた104個の2次元胎児脳超音波像を,大まかな頭蓋骨分節から共通の空間に同時登録した。 画像は、元の空間と、すべての被験者の楕円を中心にしたテンプレート空間の両方に提供される。 さらに、この画像は、興味のある構造から脳の発達を分析するためのランドマークポイントを強調するために注釈付けされている。 確率地図と原画像を用いた最終アトラステンプレートは、新しいセグメンテーション手法の開発、胎児脳超音波検査の登録方法、縦断データセットへの作業拡張、新しい画像の異常検出に使用することができる。

関連論文リスト

• S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography [2.07180164747172]
  我々はS-CycleGANと呼ばれる高度なディープラーニングモデルを導入し,CTデータから高品質な合成超音波画像を生成する。 合成画像を用いて,ロボット支援超音波スキャンシステムの開発の諸側面を解明する。
  論文  参考訳（メタデータ） (2024-06-03T10:53:45Z)
• 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)
• FUSC: Fetal Ultrasound Semantic Clustering of Second Trimester Scans Using Deep Self-supervised Learning [1.0819408603463427]
  毎年1億4000万人以上の胎児が生まれ、多くのスキャンが行われる。 大量の胎児超音波スキャンが利用可能であることは、堅牢な機械学習モデルをトレーニングする機会を提供する。 本研究では,超音波画像の自動クラスタリングのための教師なしアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-19T09:11:23Z)
• The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting [50.01582455004711]
  脳腫瘍患者の場合、画像取得の時系列は通常、すでに病理的なスキャンから始まる。 多くのアルゴリズムは、健康な脳を分析し、病変を特徴とする画像の保証を提供しないように設計されている。 例えば、脳解剖学のパーセレーション、組織セグメンテーション、脳抽出のアルゴリズムがある。 そこで参加者は、損傷した脳から健康な脳スキャンを合成するための塗装技術を探る。
  論文  参考訳（メタデータ） (2023-05-15T20:17:03Z)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Fetal MRI by robust deep generative prior reconstruction and diffeomorphic registration: application to gestational age prediction [5.491836552931295]
  非等質および非等方性サンプリング因子を補正するために,体積再構成を提案する。 コントリビューションを検証し、アートメソッドの状態と比較するための実験が実施されている。 その結果, 画像の解像度が向上し, 妊娠年齢の精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-10-29T22:09:52Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Developmental Stage Classification of EmbryosUsing Two-Stream Neural Network with Linear-Chain Conditional Random Field [74.53314729742966]
  発達段階分類のための2ストリームモデルを提案する。 従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。 2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
  論文  参考訳（メタデータ） (2021-07-13T19:56:01Z)
• Towards segmentation and spatial alignment of the human embryonic brain using deep learning for atlas-based registration [3.8874909016794463]
  本研究では,アトラスをベースとした登録のための教師なし深層学習手法を提案し,単一の枠組みで胚性脳のセグメンテーションと空間的アライメントを実現する。 我々は、このネットワークをエンドツーエンドにトレーニングし、3D第1三期超音波の課題に類似した合成データセットに基づいて、基礎的な真実に対して検証した。
  論文  参考訳（メタデータ） (2020-05-13T15:23:44Z)

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。