論文の概要: Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI
- arxiv url: http://arxiv.org/abs/2409.03889v1
- Date: Thu, 5 Sep 2024 19:52:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 17:30:22.589991
- Title: Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI
- Title（参考訳）: Recon-all-clinical: Cortical Surface Restruction and Analysis of heterogeneous Clinical Brain MRI
- Authors: Karthik Gopinath, Douglas N. Greve, Colin Magdamo, Steve Arnold, Sudeshna Das, Oula Puonti, Juan Eugenio Iglesias,
- Abstract要約: 脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。
提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
- 参考スコア（独自算出の注目度）: 3.639043225506316
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Surface-based analysis of the cerebral cortex is ubiquitous in human neuroimaging with MRI. It is crucial for cortical registration, parcellation, and thickness estimation. Traditionally, these analyses require high-resolution, isotropic scans with good gray-white matter contrast, typically a 1mm T1-weighted scan. This excludes most clinical MRI scans, which are often anisotropic and lack the necessary T1 contrast. To enable large-scale neuroimaging studies using vast clinical data, we introduce recon-all-clinical, a novel method for cortical reconstruction, registration, parcellation, and thickness estimation in brain MRI scans of any resolution and contrast. Our approach employs a hybrid analysis method that combines a convolutional neural network (CNN) trained with domain randomization to predict signed distance functions (SDFs) and classical geometry processing for accurate surface placement while maintaining topological and geometric constraints. The method does not require retraining for different acquisitions, thus simplifying the analysis of heterogeneous clinical datasets. We tested recon-all-clinical on multiple datasets, including over 19,000 clinical scans. The method consistently produced precise cortical reconstructions and high parcellation accuracy across varied MRI contrasts and resolutions. Cortical thickness estimates are precise enough to capture aging effects independently of MRI contrast, although accuracy varies with slice thickness. Our method is publicly available at https://surfer.nmr.mgh.harvard.edu/fswiki/recon-all-clinical, enabling researchers to perform detailed cortical analysis on the huge amounts of already existing clinical MRI scans. This advancement may be particularly valuable for studying rare diseases and underrepresented populations where research-grade MRI data is scarce.
- Abstract（参考訳）: 大脳皮質の表面解析は、MRIを用いたヒト神経画像においてユビキタスである。
皮質登録、パーセレーション、厚さ推定には重要である。
伝統的に、これらの分析には高分解能の等方性スキャンが必要であり、グレー・ホワイトのコントラストは良好で、通常は1mmのT1重みスキャンを必要とする。
これは、ほとんどの臨床MRIスキャンを除外し、しばしば異方性であり、必要なT1コントラストを欠いている。
大規模な臨床データを用いた大規模な神経画像研究を可能にするために,脳MRIスキャンにおける大脳皮質再建,登録,パーセレーション,厚さ推定の新しい手法であるrecon-all-clinicalを導入する。
提案手法では,領域ランダム化を訓練した畳み込みニューラルネットワーク(CNN)を用いて,符号付き距離関数(SDF)の予測と,位相的および幾何的制約を維持しつつ,正確な表面配置のための古典的幾何処理を併用する。
この方法は、異なる取得のための再トレーニングを必要としないため、異種臨床データセットの分析が簡単になる。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
この方法では、MRIのコントラストと解像度の異なる精度で、常に正確な皮質再建と高いパーセレーション精度が得られた。
皮質の厚さ推定はMRIのコントラストとは無関係に老化効果を捉えるのに十分正確であるが、精度はスライス厚さによって異なる。
我々の方法はhttps://surfer.nmr.mgh.harvard.edu/fswiki/recon-all-clinicalで公開されている。
この進歩は、研究グレードのMRIデータが不足している稀な疾患や人口不足の研究に特に有用である。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Classification of Radiologically Isolated Syndrome and Clinically
Isolated Syndrome with Machine-Learning Techniques [0.0]
多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。
本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
論文 参考訳（メタデータ） (2024-01-24T08:49:50Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Cortical analysis of heterogeneous clinical brain MRI scans for
large-scale neuroimaging studies [2.930354460501359]
皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定など、MRIによるヒトの神経イメージングにおいてユビキタスである。
臨床脳MRI検査における大脳皮質再建, 登録, パーセレーション, 厚み推定法について検討した。
論文 参考訳（メタデータ） (2023-05-02T23:36:06Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Unsupervised learning of MRI tissue properties using MRI physics models [10.979093424231532]
すべての臨床スキャナーで利用可能なプロトコルを使用して、単一のスキャンセッションから組織特性を推定することは、スキャン時間とコストを削減することを約束する。
我々は,MRI物理を用いた教師なし深層学習戦略を提案し,単一のマルチエコーMRIスキャンセッションから3つの組織特性を推定する。
組織特性推定とMRI合成の精度向上と一般化性を示した。
論文 参考訳（メタデータ） (2021-07-06T16:07:14Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - Joint super-resolution and synthesis of 1 mm isotropic MP-RAGE volumes
from clinical MRI exams with scans of different orientation, resolution and
contrast [4.987889348212769]
コントラスト,解像度,方向の異なる1つ以上の厚いスライススキャンを受信するCNNの訓練方法であるSynthSRを提案する。
提案手法では,ストリッピングやバイアスフィールド補正などの前処理は不要である。
論文 参考訳（メタデータ） (2020-12-24T17:29:53Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Deep Learning for Musculoskeletal Image Analysis [5.271212551436945]
本研究では,機械学習,特にディープラーニングの手法を用いて,MRIスキャンの迅速かつ正確な画像解析を行う方法について述べる。
メニスカスおよび前十字靭帯断裂を含む各種異常の機械学習分類について検討した。
広く用いられている畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを用いて,膝の異常分類性能を比較検討した。
論文 参考訳（メタデータ） (2020-03-01T18:13:59Z)
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。