論文の概要: A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net

• arxiv url: http://arxiv.org/abs/2411.19564v1
• Date: Fri, 29 Nov 2024 09:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:15.935125
• Title: A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net
• Title（参考訳）: nnU-Netを用いた脳MRIにおける血管周囲空間の自動分割のための網羅的枠組み
• Authors: William Pham, Alexander Jarema, Donggyu Rim, Zhibin Chen, Mohamed S. H. Khlif, Vaughan G. Macefield, Luke A. Henderson, Amy Brodtmann,
• Abstract要約: 神経変性疾患では、PVS(perivascular space)の増大が一般的である。 現在不足している信頼性の高いPVS検出方法が必要である。
• 参考スコア（独自算出の注目度）: 37.179674347248266
• License:
• Abstract: Background: Enlargement of perivascular spaces (PVS) is common in neurodegenerative disorders including cerebral small vessel disease, Alzheimer's disease, and Parkinson's disease. PVS enlargement may indicate impaired clearance pathways and there is a need for reliable PVS detection methods which are currently lacking. Aim: To optimise a widely used deep learning model, the no-new-UNet (nnU-Net), for PVS segmentation. Methods: In 30 healthy participants (mean$\pm$SD age: 50$\pm$18.9 years; 13 females), T1-weighted MRI images were acquired using three different protocols on three MRI scanners (3T Siemens Tim Trio, 3T Philips Achieva, and 7T Siemens Magnetom). PVS were manually segmented across ten axial slices in each participant. Segmentations were completed using a sparse annotation strategy. In total, 11 models were compared using various strategies for image handling, preprocessing and semi-supervised learning with pseudo-labels. Model performance was evaluated using 5-fold cross validation (5FCV). The main performance metric was the Dice Similarity Coefficient (DSC). Results: The voxel-spacing agnostic model (mean$\pm$SD DSC=64.3$\pm$3.3%) outperformed models which resampled images to a common resolution (DSC=40.5-55%). Model performance improved substantially following iterative label cleaning (DSC=85.7$\pm$1.2%). Semi-supervised learning with pseudo-labels (n=12,740) from 18 additional datasets improved the agreement between raw and predicted PVS cluster counts (Lin's concordance correlation coefficient=0.89, 95%CI=0.82-0.94). We extended the model to enable PVS segmentation in the midbrain (DSC=64.3$\pm$6.5%) and hippocampus (DSC=67.8$\pm$5%). Conclusions: Our deep learning models provide a robust and holistic framework for the automated quantification of PVS in brain MRI.
• Abstract（参考訳）: 背景:脳小血管疾患,アルツハイマー病,パーキンソン病などの神経変性疾患では,血管周囲の空間拡大(PVS)が一般的である。 PVS拡大はクリアランス経路の障害を示す可能性があり、現在不足している信頼性の高いPSV検出方法が必要である。 Aim: PVSセグメンテーションのために広く使われているディープラーニングモデルであるno-new-UNet(nnU-Net)を最適化する。 方法:30人の健常者(平均$\pm$SD年齢:50$\pm$18.9歳、女性13名)において、3つのMRIスキャナー(3Tシーメンス・ティム・トリオ、3Tフィリップス・アシエバ、7Tシーメンス・マグネトム)上の3つの異なるプロトコルを用いてT1強調MRI画像が取得された。 PVSは、各参加者の10個の軸スライスに手動で分割された。 セグメンテーションはスパースアノテーション戦略を使用して完了した。 画像処理,前処理,擬似ラベルを用いた半教師付き学習など,11種類のモデルを比較した。 5倍のクロスバリデーション(5FCV)を用いてモデル性能を評価した。 主な性能指標はDice similarity Coefficient (DSC)である。 結果: voxel-spacing agnostic model (mean$\pm$SD DSC=64.3$\pm$3.3%) は、イメージを共通の解像度(DSC=40.5-55%)に再サンプリングしたモデルよりも優れていた。 モデル性能は反復ラベルクリーニング(DSC=85.7$\pm$1.2%)により大幅に向上した。 擬似ラベルを用いた半教師付き学習(n=12,740)では、生と予測されたPSVクラスタ数(Linの一致相関係数=0.89, 95%CI=0.82-0.94)との一致が改善された。 中脳(DSC=64.3$\pm$6.5%)と海馬(DSC=67.8$\pm$5%)でPSVセグメンテーションを可能にするためにモデルを拡張した。 結論: 私たちのディープラーニングモデルは、脳MRIにおけるPSVの自動定量化のための堅牢で総合的なフレームワークを提供する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
  我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。 モデルの性能をいくつかのベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-09-12T02:19:19Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Perivascular space Identification Nnunet for Generalised Usage (PINGU) [5.861501989634817]
  末梢血管空間(PVSs)は、脳の廃棄物浄化系の中心的な構成要素であるリンパ管系を形成する。 これらの構造はMRI画像で見ることができ、その形態は老化や神経疾患と関連している。
  論文  参考訳（メタデータ） (2024-05-14T06:16:13Z)
• NUMSnet: Nested-U Multi-class Segmentation network for 3D Medical Image Stacks [1.2335698325757494]
  NUMSnetはUnetモデルの新たな変種であり、ネストした層を通してスキャン間でピクセル近傍の特徴を伝達する。 NUMSnetモデルのセマンティックセグメンテーション性能をいくつかのUnetモデルと比較して解析する。 提案モデルは,最小限のトレーニングデータセットを用いて,様々なボリュームイメージスタック上でのマルチクラスセマンティックセマンティックセマンティックセマンティクスを標準化することができる。
  論文  参考訳（メタデータ） (2023-04-05T19:16:29Z)
• Comparative Validation of AI and non-AI Methods in MRI Volumetry to Diagnose Parkinsonian Syndromes [4.225307685571808]
  脳セグメンテーションにおけるディープラーニング(DL)モデルは、ゴールドスタンダードの非DL法と比較される。 DLは、脳のセグメンテーションと鑑別診断の性能を損なうことなく、分析時間を著しく短縮する。 本研究は,臨床環境におけるDL脳MRIのセグメンテーションの導入と,脳研究の進展に寄与する可能性がある。
  論文  参考訳（メタデータ） (2022-07-23T14:55:38Z)
• Automated segmentation of 3-D body composition on computed tomography [0.0]
  VAT,SAT,IMAT,SM,骨の5種類の異なる体組成を手動でアノテートした。 畳み込みニューラルネットワーク(CNN)の性能評価と評価に10倍のクロスバリデーション法が用いられた。 3つのCNNモデルの中で、UNetは5つのボディ構成を共同でセグメント化する上で、最高の全体的な性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T15:38:27Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。