論文の概要: Bilateral Hippocampi Segmentation in Low Field MRIs Using Mutual Feature Learning via Dual-Views

• arxiv url: http://arxiv.org/abs/2410.17502v1
• Date: Wed, 23 Oct 2024 02:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:55:05.160945
• Title: Bilateral Hippocampi Segmentation in Low Field MRIs Using Mutual Feature Learning via Dual-Views
• Title（参考訳）: デュアルビューによる相互特徴学習による低磁場MRIの両側海馬分割
• Authors: Himashi Peiris, Zhaolin Chen,
• Abstract要約: 低磁場MRIはよりアクセスしやすく、費用対効果が高いため、小児の鎮静は不要である。 低磁場MRIにおける両側海馬の自動セグメンテーションのための新しい深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate hippocampus segmentation in brain MRI is critical for studying cognitive and memory functions and diagnosing neurodevelopmental disorders. While high-field MRIs provide detailed imaging, low-field MRIs are more accessible and cost-effective, which eliminates the need for sedation in children, though they often suffer from lower image quality. In this paper, we present a novel deep-learning approach for the automatic segmentation of bilateral hippocampi in low-field MRIs. Extending recent advancements in infant brain segmentation to underserved communities through the use of low-field MRIs ensures broader access to essential diagnostic tools, thereby supporting better healthcare outcomes for all children. Inspired by our previous work, Co-BioNet, the proposed model employs a dual-view structure to enable mutual feature learning via high-frequency masking, enhancing segmentation accuracy by leveraging complementary information from different perspectives. Extensive experiments demonstrate that our method provides reliable segmentation outcomes for hippocampal analysis in low-resource settings. The code is publicly available at: https://github.com/himashi92/LoFiHippSeg.
• Abstract（参考訳）: 脳MRIにおける正確な海馬セグメンテーションは、認知機能と記憶機能の研究と神経発達障害の診断に重要である。 高磁場MRIは詳細な画像を提供するが、低磁場MRIはよりアクセスしやすく、費用対効果が高いため、子供の鎮静の必要性は排除されるが、画像品質の低下に悩まされることが多い。 本稿では,低磁場MRIにおける両側海馬の自動セグメンテーションのための新しい深層学習手法を提案する。 乳児期の脳のセグメンテーションの進歩は、低磁場MRIを用いて、より広範な診断ツールへのアクセスを保証し、全ての子供にとってより良い医療効果が期待できる。 従来の研究であるCo-BioNetにインスパイアされた提案モデルは、デュアルビュー構造を用いて、高周波マスキングによる相互特徴学習を実現し、異なる視点から補完情報を活用することによってセグメンテーション精度を向上させる。 本手法は低リソース環境下での海馬解析に信頼性の高いセグメンテーション結果を提供することを示す。 コードは、https://github.com/himashi92/LoFiHippSegで公開されている。

関連論文リスト

• BrainMVP: Multi-modal Vision Pre-training for Brain Image Analysis using Multi-parametric MRI [11.569448567735435]
  BrainMVPは、マルチパラメトリックMRIスキャンを用いた脳画像解析のためのマルチモーダルビジョン事前トレーニングフレームワークである。 クロスモーダル・コンストラクション(英語版)は、特徴ある脳画像の埋め込みと効率的なモーダル融合能力を学習するために研究されている。 ダウンストリームタスクの実験は、医学領域における最先端の事前訓練方法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-14T15:12:16Z)
• Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.096809077954095]
  拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。 FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:41:29Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities [6.840531823670822]
  評価されたアプローチには、Adversarial Co-Training Network (ACN) と mmGAN と DeepMedic の組み合わせがある。 BraTS2018データセットを使用することで、最先端のACNが特にT1cが欠落している場合には、パフォーマンスが向上することを示した。 mmGANとDeepMedicの単純な組み合わせは、1つのMRIモダリティが欠如している場合にも強いポテンシャルを示す。
  論文  参考訳（メタデータ） (2022-08-06T08:41:57Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Edge-Enhanced Dual Discriminator Generative Adversarial Network for Fast MRI with Parallel Imaging Using Multi-view Information [10.616409735438756]
  高速なマルチチャンネルMRI再構成のための並列画像結合型二重判別器生成対向ネットワーク(PIDD-GAN)を提案する。 1つの判別器は全体像再構成に使用され、もう1つはエッジ情報の強化に責任がある。 以上の結果から,PIDD-GANは良質なMR画像と良好な保存エッジ情報を提供することがわかった。
  論文  参考訳（メタデータ） (2021-12-10T10:49:26Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。