論文の概要: Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
- arxiv url: http://arxiv.org/abs/2409.06716v2
- Date: Thu, 12 Sep 2024 12:08:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 20:50:00.503798
- Title: Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
- Title（参考訳）: マルチタスク学習による拡散MRIにおける胎児脳の詳細な記述
- Authors: Davood Karimi, Camilo Calixto, Haykel Snoussi, Maria Camila Cortes-Albornoz, Clemente Velasco-Annis, Caitlin Rollins, Camilo Jaimes, Ali Gholipour, Simon K. Warfield,
- Abstract要約: 我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。
これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
- 参考スコア（独自算出の注目度）: 5.261252388770444
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diffusion-weighted MRI is increasingly used to study the normal and abnormal development of fetal brain in-utero. Recent studies have shown that dMRI can offer invaluable insights into the neurodevelopmental processes in the fetal stage. However, because of the low data quality and rapid brain development, reliable analysis of fetal dMRI data requires dedicated computational methods that are currently unavailable. The lack of automated methods for fast, accurate, and reproducible data analysis has seriously limited our ability to tap the potential of fetal brain dMRI for medical and scientific applications. In this work, we developed and validated a unified computational framework to (1) segment the brain tissue into white matter, cortical/subcortical gray matter, and cerebrospinal fluid, (2) segment 31 distinct white matter tracts, and (3) parcellate the brain's cortex and delineate the deep gray nuclei and white matter structures into 96 anatomically meaningful regions. We utilized a set of manual, semi-automatic, and automatic approaches to annotate 97 fetal brains. Using these labels, we developed and validated a multi-task deep learning method to perform the three computations. Our evaluations show that the new method can accurately carry out all three tasks, achieving a mean Dice similarity coefficient of 0.865 on tissue segmentation, 0.825 on white matter tract segmentation, and 0.819 on parcellation. The proposed method can greatly advance the field of fetal neuroimaging as it can lead to substantial improvements in fetal brain tractography, tract-specific analysis, and structural connectivity assessment.
- Abstract（参考訳）: 拡散強調MRIは、胎児脳の子宮内での正常な発達と異常な発達を研究するためにますます用いられる。
近年の研究では、dMRIは胎児期における神経発達過程に重要な洞察を与えることが示されている。
しかし、データ品質の低さと脳の急速な発達のため、胎児のdMRIデータの信頼性の高い解析には、現在利用できない専用計算方法が必要である。
高速で正確で再現可能なデータ分析のための自動化手法が欠如しているため、胎児脳のdMRIを医学や科学に応用する能力は著しく制限されています。
本研究では,(1)脳組織を白質,皮質・皮質下灰白質,脳脊髄液に分画し,(2)脳の皮質を分画し,深い灰色核・白質構造を96の解剖学的意義のある領域に分類する統一的な計算枠組みを開発し,検証した。
我々は,手動,半自動,自動のアプローチを用いて,97個の胎児脳に注釈を付けた。
これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
本手法は, 組織分画において平均Dice類似度係数0.865, 白質分画において0.825, パーセレーションにおいて0.819の3つの課題を正確に行うことができることを示す。
提案手法は胎児神経画像学の分野を飛躍的に発展させ,胎児の脳幹撮影,トラクション特異的解析,構造接続性評価の大幅な改善につながる可能性がある。
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) - Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2024-03-04T19:56:19Z) - Fetal-BET: Brain Extraction Tool for Fetal MRI [4.214523989654048]
約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。
このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。
本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
論文 参考訳（メタデータ） (2023-10-02T18:14:23Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Synthetic magnetic resonance images for domain adaptation: Application
to fetal brain tissue segmentation [0.0]
FaBiANを用いて、胎児の脳の様々な現実的な磁気共鳴画像と、そのクラスラベルをシミュレートする。
本研究では,これらの合成アノテートデータを低コストで生成し,さらにターゲット超解像法を用いて再構成することにより,深層学習手法のドメイン適応に成功できることを実証する。
全体として、特に皮質灰白質、白質、小脳、深い灰白質、脳幹において、セグメンテーションの精度が著しく向上する。
論文 参考訳（メタデータ） (2021-11-08T13:22:14Z) - Automatic linear measurements of the fetal brain on MRI with deep neural
networks [3.48517618410801]
本研究の目的は、胎児脳MRIを用いたCBD, BBD, TCDの完全自動計測法を開発することである。
1) 異方性3次元U-Net分類器を用いた胎児脳を含む興味領域の計算,2) 畳み込みニューラルネットワークによる参照スライス選択,3) 胎児脳中矢状線と胎児脳の向きの計算,5) 計測の計算である。
論文 参考訳（メタデータ） (2021-06-15T14:20:11Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳（メタデータ） (2021-06-14T12:19:27Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - 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)
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。