論文の概要: Unsupervised Skull Segmentation via Contrastive MR-to-CT Modality Translation

• arxiv url: http://arxiv.org/abs/2410.13427v1
• Date: Thu, 17 Oct 2024 10:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:18:29.820795
• Title: Unsupervised Skull Segmentation via Contrastive MR-to-CT Modality Translation
• Title（参考訳）: MR-to-CTモダリティ変換による教師なしスカルセグメンテーション
• Authors: Kamil Kwarciak, Mateusz Daniol, Daria Hemmerling, Marek Wodzinski,
• Abstract要約: CTスキャンによる頭蓋骨のセグメンテーションは、すでに解決されている問題であると見なすことができる。 MRでは、骨ではなく軟部組織の存在により、このタスクは著しく複雑になる。 MR画像上で直接セグメント化を行うのではなく,MR-to-CT変換による合成CTデータ生成を行う。
• 参考スコア（独自算出の注目度）: 0.2911706166691895
• License:
• Abstract: The skull segmentation from CT scans can be seen as an already solved problem. However, in MR this task has a significantly greater complexity due to the presence of soft tissues rather than bones. Capturing the bone structures from MR images of the head, where the main visualization objective is the brain, is very demanding. The attempts that make use of skull stripping seem to not be well suited for this task and fail to work in many cases. On the other hand, supervised approaches require costly and time-consuming skull annotations. To overcome the difficulties we propose a fully unsupervised approach, where we do not perform the segmentation directly on MR images, but we rather perform a synthetic CT data generation via MR-to-CT translation and perform the segmentation there. We address many issues associated with unsupervised skull segmentation including the unpaired nature of MR and CT datasets (contrastive learning), low resolution and poor quality (super-resolution), and generalization capabilities. The research has a significant value for downstream tasks requiring skull segmentation from MR volumes such as craniectomy or surgery planning and can be seen as an important step towards the utilization of synthetic data in medical imaging.
• Abstract（参考訳）: CTスキャンによる頭蓋骨の分節は、既に解決されている問題であると見なすことができる。 しかし、MRでは骨ではなく軟部組織の存在により、このタスクは大幅に複雑になる。 頭部のMRI画像から骨構造を捉えることは、脳を可視化する主な目的である。 頭蓋骨を切断する試みは、この作業には適していないようで、多くの場合は機能しない。 一方、教師付きアプローチは高価で時間を要する頭蓋骨のアノテーションを必要とする。 そこで我々は,MR画像上で直接セグメント化を行うのではなく,MR-to-CT変換による合成CTデータ生成を行い,セグメント化を行う,完全に教師なしのアプローチを提案する。 MRおよびCTデータセットの異常な性質(コントラスト学習)、低分解能、低品質(超高分解能)、一般化機能など、教師なし頭蓋骨のセグメンテーションに関連する多くの課題に対処する。 この研究は頭蓋切除や手術計画などのMRボリュームから頭蓋骨の分節を必要とする下流作業において重要な意味を持ち、医用画像における合成データの利用に向けた重要なステップと見なすことができる。

関連論文リスト

• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• Synthetic Skull CT Generation with Generative Adversarial Networks to Train Deep Learning Models for Clinical Transcranial Ultrasound [0.0]
  そこで我々は,合成頭蓋骨CTスライスの大きなデータセットを作成するために,合成対向ネットワーク(SkullGAN)を提案する。 主な障害は、訓練のために十分な頭蓋骨CTスライスがないことである。 SkullGANは、研究者が大量の合成頭蓋骨のCTセグメントを生成することを可能にする。
  論文  参考訳（メタデータ） (2023-08-01T00:05:02Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction [0.0]
  画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
  論文  参考訳（メタデータ） (2022-04-04T01:45:11Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Three-dimensional Segmentation of the Scoliotic Spine from MRI using Unsupervised Volume-based MR-CT Synthesis [3.6273410177512275]
  本研究では,無教師付き完全3次元(3次元)クロスモダリティ合成法を提案する。 3D CycleGANモデルはMR領域とCT領域にまたがるボリューム・ツー・ボリューム変換のために訓練される。 結果として生じるセグメンテーションは、脊椎の3次元モデルを再構成するために使用される。
  論文  参考訳（メタデータ） (2020-11-25T18:34:52Z)
• Self-supervised Skull Reconstruction in Brain CT Images with Decompressive Craniectomy [13.695197074035928]
  TBI後の頭蓋切除時に摘出した頭蓋骨欠損を再建する深層学習法を提案する。 この再構成は、例えば、頭蓋形成プレートの作成をサポートするために、複数のシナリオで有用である。
  論文  参考訳（メタデータ） (2020-07-07T22:38:38Z)

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。