Fugu-MT 論文翻訳(概要): Ground-truth effects in learning-based fiber orientation distribution estimation in neonatal brains

論文の概要: Ground-truth effects in learning-based fiber orientation distribution estimation in neonatal brains

arxiv url: http://arxiv.org/abs/2409.01195v1
Date: Mon, 2 Sep 2024 12:05:03 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 07:01:54.868026
Title: Ground-truth effects in learning-based fiber orientation distribution estimation in neonatal brains
Title（参考訳）: 新生児脳における学習に基づく繊維配向分布推定における地表面構造の影響
Authors: Rizhong Lin, Hamza Kebiri, Ali Gholipour, Yufei Chen, Jean-Philippe Thiran, Davood Karimi, Meritxell Bach Cuadra,
Abstract要約: 我々は、MSMT-CSDとシングルシェル3段制約付き球面デコンボリューション(SS3T-CSD)の両方に基づいて、U-Netアーキテクチャに基づく最先端モデルを訓練する。以上の結果より, SS3T-CSDとSS3T-CSDとの単繊維推定ボクセルの比率はMSMT-CSDよりも現実的であることが示唆された。年齢領域シフト設定では、SS3T-CSDは年齢群全体で堅牢なパフォーマンスを維持しており、より正確な新生児脳画像撮影の可能性を示している。
参考スコア（独自算出の注目度）: 8.545738983975639
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion Magnetic Resonance Imaging (dMRI) is a non-invasive method for depicting brain microstructure in vivo. Fiber orientation distributions (FODs) are mathematical representations extensively used to map white matter fiber configurations. Recently, FOD estimation with deep neural networks has seen growing success, in particular, those of neonates estimated with fewer diffusion measurements. These methods are mostly trained on target FODs reconstructed with multi-shell multi-tissue constrained spherical deconvolution (MSMT-CSD), which might not be the ideal ground truth for developing brains. Here, we investigate this hypothesis by training a state-of-the-art model based on the U-Net architecture on both MSMT-CSD and single-shell three-tissue constrained spherical deconvolution (SS3T-CSD). Our results suggest that SS3T-CSD might be more suited for neonatal brains, given that the ratio between single and multiple fiber-estimated voxels with SS3T-CSD is more realistic compared to MSMT-CSD. Additionally, increasing the number of input gradient directions significantly improves performance with SS3T-CSD over MSMT-CSD. Finally, in an age domain-shift setting, SS3T-CSD maintains robust performance across age groups, indicating its potential for more accurate neonatal brain imaging.
Abstract（参考訳）: 拡散磁気共鳴イメージング(Diffusion Magnetic Resonance Imaging, DMRI)は、脳の微細構造を生体内で描写する非侵襲的な方法である。ファイバ配向分布(英: Fiber orientation distributions、FOD)は、ホワイトマターファイバーの構成をマッピングするのに広く用いられる数学的表現である。近年、深層ニューラルネットワークを用いたFOD推定は成功しており、特に拡散測定の少ない新生児では成功している。これらの方法は、主にマルチシェルの制約付き球状脱畳(MSMT-CSD)を用いて再構成されたターゲットFODに基づいて訓練されている。本稿では,MSMT-CSDとS3T-CSDによる制約付き球面デコンボリューション(SS3T-CSD)の両面において,U-Netアーキテクチャに基づく最先端モデルのトレーニングにより,この仮説を検証する。以上の結果より, SS3T-CSDとSS3T-CSDとの単繊維推定ボクセルの比率はMSMT-CSDよりも現実的であることが示唆された。さらに入力勾配方向の増大はMSMT-CSDよりもSS3T-CSDの性能を著しく向上させる。最後に、年齢領域シフト設定では、SS3T-CSDは年齢群全体で堅牢なパフォーマンスを維持しており、より正確な新生児脳画像撮影の可能性を示している。

関連論文リスト

Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文参考訳（メタデータ） (2024-09-11T11:12:26Z)
Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting [3.9347915104376168]
脳の構造的整合性に影響を与える疾患のモニタリングには、磁気共鳴(MR)画像の自動解析が必要である。画像空間で作業する最先端の2D, 擬似3D, 3D法, および3D潜伏および3Dウェーブレット拡散モデルを修正し, 正常な脳組織を合成するよう訓練する。評価の結果,擬似3次元モデルでは,構造相似指数,ピーク信号-雑音比,平均二乗誤差が最良であることがわかった。
論文参考訳（メタデータ） (2024-03-21T15:52:05Z)
SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
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)
DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文参考訳（メタデータ） (2021-05-17T15:43:59Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Rotation-Equivariant Deep Learning for Diffusion MRI [49.321304988619865]
畳み込みネットワークは成功しているが、最近は回転や翻訳で等価である新しいニューラルネットワークによってパフォーマンスが上がっている。ここでは、6次元拡散MRIデータに一般化し、画像空間における3次元ロト変換と一致する3次元回転を$q$-スペースで保証する。提案するニューラルネットワークは,非回転同変深層学習と比較して,より優れた結果を得るとともに,トレーニングのためのスキャンを少なくする。
論文参考訳（メタデータ） (2021-02-13T15:18:34Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)
Neuro4Neuro: A neural network approach for neural tract segmentation using large-scale population-based diffusion imaging [7.265739747023668]
白色物質(WM)の微細構造の変化は、正常な老化と神経変性と関連している。 Neuro4Neuroは畳み込みニューラルネットワーク(CNN)を用いた拡散画像からWMトラクションを直接抽出できるこの3次元エンド・ツー・エンド法は、大集団による研究(N=9752, 1.5T MRI)から、25WM領域の老年者へのセグメンテーションを訓練する。
論文参考訳（メタデータ） (2020-05-26T16:14:31Z)

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。