論文の概要: Automatic 8-tissue Segmentation for 6-month Infant Brains

• arxiv url: http://arxiv.org/abs/2408.15198v1
• Date: Tue, 27 Aug 2024 16:58:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 13:03:51.376065
• Title: Automatic 8-tissue Segmentation for 6-month Infant Brains
• Title（参考訳）: 6カ月児脳に対する8段階自動切開法
• Authors: Yilan Dong, Vanessa Kyriakopoulou, Irina Grigorescu, Grainne McAlonan, Dafnis Batalle, Maria Deprez,
• Abstract要約: 6カ月児脳に対する第1報8分節パイプラインを提案する。 パイプラインは生の6ヶ月の画像を入力として取り、出力として8単位のセグメンテーションを生成する。 DICEスコアは0.92、HD95は1.6、ASSDは0.42である。
• 参考スコア（独自算出の注目度）: 0.7351161122478707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous studies have highlighted that atypical brain development, particularly during infancy and toddlerhood, is linked to an increased likelihood of being diagnosed with a neurodevelopmental condition, such as autism. Accurate brain tissue segmentations for morphological analysis are essential in numerous infant studies. However, due to ongoing white matter (WM) myelination changing tissue contrast in T1- and T2-weighted images, automatic tissue segmentation in 6-month infants is particularly difficult. On the other hand, manual labelling by experts is time-consuming and labor-intensive. In this study, we propose the first 8-tissue segmentation pipeline for six-month-old infant brains. This pipeline utilizes domain adaptation (DA) techniques to leverage our longitudinal data, including neonatal images segmented with the neonatal Developing Human Connectome Project structural pipeline. Our pipeline takes raw 6-month images as inputs and generates the 8-tissue segmentation as outputs, forming an end-to-end segmentation pipeline. The segmented tissues include WM, gray matter (GM), cerebrospinal fluid (CSF), ventricles, cerebellum, basal ganglia, brainstem, and hippocampus/amygdala. Cycle-Consistent Generative Adversarial Network (CycleGAN) and Attention U-Net were employed to achieve the image contrast transformation between neonatal and 6-month images and perform tissue segmentation on the synthesized 6-month images (neonatal images with 6-month intensity contrast), respectively. Moreover, we incorporated the segmentation outputs from Infant Brain Extraction and Analysis Toolbox (iBEAT) and another Attention U-Net to further enhance the performance and construct the end-to-end segmentation pipeline. Our evaluation with real 6-month images achieved a DICE score of 0.92, an HD95 of 1.6, and an ASSD of 0.42.
• Abstract（参考訳）: 多くの研究が、特に幼児期や幼児期の非定型的脳発達は、自閉症などの神経発達状態と診断される可能性が高まることを強調している。 多くの幼児研究において、形態学的解析のための正確な脳組織分節が不可欠である。 しかし,T1強調画像とT2強調画像で組織コントラストが変化する白色物質(WM)ミエリン化が進行しているため,6カ月児における自動組織セグメンテーションは特に困難である。 一方、専門家による手動ラベリングは時間と労力がかかる。 そこで本研究では,6カ月児脳に対する最初の8段階分割パイプラインを提案する。 このパイプラインは、新生児形成Human Connectome Project構造パイプラインにセグメント化された新生児画像を含む、私たちの縦方向のデータを活用するために、ドメイン適応(DA)技術を利用する。 パイプラインは生の6ヶ月の画像を入力として、出力として8段階のセグメンテーションを生成し、エンドツーエンドのセグメンテーションパイプラインを形成する。 分節組織は、WM、グレーマター(GM)、脳脊髄液(CSF)、心室、小脳、基底神経節、脳幹、海馬/アミグダラを含む。 CycleGAN と Attention U-Net を併用し, 生後6ヶ月画像と生後6か月画像のコントラスト変換を行い, 合成した6か月画像(生後6か月画像と生後6か月画像)に組織セグメンテーションを行った。 さらに、Infant Brain extract and Analysis Toolbox(iBEAT)と別の注意U-Netのセグメンテーション出力を組み込んで、パフォーマンスをさらに向上させ、エンドツーエンドセグメンテーションパイプラインを構築する。 DICEのスコアは0.92、HD95は1.6、ASSDは0.42である。

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)
• ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation [28.40275722324598]
  高品質な胎児脳アトラスのセグメンテーションラベルを、未ラベルの胎児脳MRIデータに適応させる実用的非教師なし領域適応(UDA)セットを提案する。 周波数ベース画像変換の前後の一貫性を制約することにより、セグメント化モデルを異なる領域の外観に適応する。 FeTA 2021ベンチマークの実験は、登録ベース、半教師付き学習ベース、および既存のUDAベースの方法と比較して、ASCの有効性を実証している。
  論文  参考訳（メタデータ） (2023-10-22T04:12:06Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning [34.82366750668948]
  深層学習モデルを用いて,脳組織をヒトの寿命全体(0～100歳)に分割する試みを初めて行った。 我々のモデルは脳組織を正確に分割し、既存の方法より優れています。
  論文  参考訳（メタデータ） (2023-01-03T21:54:17Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)
• 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)
• An automatic pipeline for atlas-based fetal and neonatal brain segmentation and analysis [1.3198175418055964]
  本報告では,2つの胎児腺腫の発生と,そのパイプライン内でのアトラスを用いた分節法について報告する。 パイプラインはまた、曲率、厚み、sulcal depth、局所的なジャイロ化指数など、皮質表面とピアル表面の抽出や計算特性も可能である。
  論文  参考訳（メタデータ） (2022-05-16T11:15:26Z)
• Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
  iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。 執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。 私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
  論文  参考訳（メタデータ） (2020-07-04T13:39:48Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。