論文の概要: High-resolution segmentations of the hypothalamus and its subregions for training of segmentation models
- arxiv url: http://arxiv.org/abs/2406.19492v1
- Date: Thu, 27 Jun 2024 19:16:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 18:41:35.453619
- Title: High-resolution segmentations of the hypothalamus and its subregions for training of segmentation models
- Title（参考訳）: 視床下部の高分解能セグメンテーションとそのサブリージョンによるセグメンテーションモデルの訓練
- Authors: Livia Rodrigues, Martina Bocchetta, Oula Puonti, Douglas Greve, Ana Carolina Londe, Marcondes França, Simone Appenzeller, Leticia Rittner, Juan Eugenio Iglesias,
- Abstract要約: HELM, hypothalamic ex vivo Label Mapsは10個の半球から利用可能な超高解像度の生体外MRIから構築されたラベルマップからなるデータセットである。
視床下部領域のマニュアルラベルと脳の残りの部分の自動セグメンテーションを組み合わせることで、脳全体をシミュレートする。
- 参考スコア（独自算出の注目度）: 1.0486773259892048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation of brain structures on magnetic resonance imaging (MRI) is a highly relevant neuroimaging topic, as it is a prerequisite for different analyses such as volumetry or shape analysis. Automated segmentation facilitates the study of brain structures in larger cohorts when compared with manual segmentation, which is time-consuming. However, the development of most automated methods relies on large and manually annotated datasets, which limits the generalizability of these methods. Recently, new techniques using synthetic images have emerged, reducing the need for manual annotation. Here we provide HELM, Hypothalamic ex vivo Label Maps, a dataset composed of label maps built from publicly available ultra-high resolution ex vivo MRI from 10 whole hemispheres, which can be used to develop segmentation methods using synthetic data. The label maps are obtained with a combination of manual labels for the hypothalamic regions and automated segmentations for the rest of the brain, and mirrored to simulate entire brains. We also provide the pre-processed ex vivo scans, as this dataset can support future projects to include other structures after these are manually segmented.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)における脳構造のセグメンテーションは、容積分析や形状解析などの異なる分析の前提条件であるため、非常に関連性の高い神経イメージングのトピックである。
自動セグメンテーションは、時間を要する手動セグメンテーションと比較して、より大きなコホートにおける脳構造の研究を促進する。
しかし、ほとんどの自動手法の開発は、大規模で手動の注釈付きデータセットに依存しており、これらの手法の一般化性が制限されている。
近年,合成画像を用いた新しい技術が登場し,手動アノテーションの必要性が減っている。
ここでは、HELM, hypothalamic ex vivo Label Mapsという、人工データを用いたセグメンテーション法の開発に使用できる10個の半球から利用可能な超高解像度の生体外MRIから構築されたラベルマップからなるデータセットを提供する。
ラベルマップは、視床下部領域のマニュアルラベルと脳の残りの部分の自動セグメンテーションを組み合わせたもので、脳全体をシミュレートするためにミラーされている。
また、このデータセットは、手作業でセグメンテーションされた後、他の構造を含む将来のプロジェクトをサポートすることができるので、事前処理された生体外スキャンも提供します。
関連論文リスト
- An Ensemble Approach for Brain Tumor Segmentation and Synthesis [0.12777007405746044]
磁気共鳴イメージング(MRI)における機械学習の統合は、信じられないほど効果的であることが証明されている。
ディープラーニングモデルは、複雑なデータの複雑な詳細をキャプチャするために、複数の処理層を利用する。
本稿では,最先端アーキテクチャを組み込んだディープラーニングフレームワークを提案し,精度の高いセグメンテーションを実現する。
論文 参考訳（メタデータ） (2024-11-26T17:28:51Z) - SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - 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) - Segment anything model (SAM) for brain extraction in fMRI studies [0.0]
我々は頭蓋骨のアーティファクトを除去することで脳のセグメンテーションを神経画像化するためのセグメントモデル(SAM)を用いる。
実験の結果は、カスタムな医用画像データセットをトレーニングすることなく、神経画像の自動分割アルゴリズムを用いて探索する有望な結果を示した。
論文 参考訳（メタデータ） (2024-01-09T06:25:09Z) - Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
トポロジカルデータ解析(TDA)を用いたMRI画像の分割法について述べる。
これは3つのステップで機能し、まずは自動しきい値設定によってオブジェクト全体をセグメントに識別し、次に事前にトポロジが知られている特定の部分集合を検出し、最後にセグメンテーションの様々な成分を推論する。
脳MRIにおけるグリオブラスト腫分画の例について検討し、2次元スライスが円である胎児脳MRIにおいて、シリンダーを含む心臓MRIにおける心筋、および皮質プレート検出について検討した。
論文 参考訳（メタデータ） (2024-01-02T11:43:49Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - gACSON software for automated segmentation and morphology analyses of
myelinated axons in 3D electron microscopy [55.78588835407174]
本稿では,3D-EMボリュームにおけるミレライズされた軸索の可視化,セグメンテーション,アセスメント,形態解析のためのフリーソフトウェアgACSONを紹介する。
gACSONは、ミエリン化軸索とその対応するミエリンの軸索内空間を自動的に分割する。
軸索径、軸索偏心性、ミエリン厚み、g比などのミエリン化軸索の形態を解析する。
論文 参考訳（メタデータ） (2021-12-13T08:17:15Z) - Comparison of atlas-based and neural-network-based semantic segmentation
for DENSE MRI images [0.8701566919381223]
2つのセグメンテーション法(アトラス法とニューラルネット法)を比較した。
セグメンテーションはこれらの地域の平均変位を推定するための前提条件である。
論文 参考訳（メタデータ） (2021-09-29T00:42:43Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - Co-Generation and Segmentation for Generalized Surgical Instrument
Segmentation on Unlabelled Data [49.419268399590045]
正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。
深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。
本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
論文 参考訳（メタデータ） (2021-03-16T18:41:18Z)
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。