論文の概要: Deformation-Aware Segmentation Network Robust to Motion Artifacts for Brain Tissue Segmentation using Disentanglement Learning

• arxiv url: http://arxiv.org/abs/2412.03922v1
• Date: Thu, 05 Dec 2024 06:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:46.074936
• Title: Deformation-Aware Segmentation Network Robust to Motion Artifacts for Brain Tissue Segmentation using Disentanglement Learning
• Title（参考訳）: ゆがみ学習を用いた脳組織分割のための変形認識セグメンテーションネットワークによる運動アーチファクトのロバスト化
• Authors: Sunyoung Jung, Yoonseok Choi, Mohammed A. Al-masni, Minyoung Jung, Dong-Hyun Kim,
• Abstract要約: 磁気共鳴画像(MRI)における運動アーティファクトの意義 本研究では,動作補正と頑健な脳組織分割の両面で優れた性能を示す新しいディープラーニングフレームワークを提案する。 In-vivo experiment on pediatric Motion data, we proposed on the-of-the-art method in segmenting motion-corrupted MRI scans。
• 参考スコア（独自算出の注目度）: 5.354351782195383
• License:
• Abstract: Motion artifacts caused by prolonged acquisition time are a significant challenge in Magnetic Resonance Imaging (MRI), hindering accurate tissue segmentation. These artifacts appear as blurred images that mimic tissue-like appearances, making segmentation difficult. This study proposes a novel deep learning framework that demonstrates superior performance in both motion correction and robust brain tissue segmentation in the presence of artifacts. The core concept lies in a complementary process: a disentanglement learning network progressively removes artifacts, leading to cleaner images and consequently, more accurate segmentation by a jointly trained motion estimation and segmentation network. This network generates three outputs: a motioncorrected image, a motion deformation map that identifies artifact-affected regions, and a brain tissue segmentation mask. This deformation serves as a guidance mechanism for the disentanglement process, aiding the model in recovering lost information or removing artificial structures introduced by the artifacts. Extensive in-vivo experiments on pediatric motion data demonstrate that our proposed framework outperforms state-of-the-art methods in segmenting motion-corrupted MRI scans.
• Abstract（参考訳）: 長期取得による運動アーチファクトは、MRI(MRI)において重要な課題であり、正確な組織セグメンテーションを妨げる。 これらのアーティファクトは、組織のような外観を模倣するぼやけた画像のように見え、セグメンテーションを難しくする。 本研究では,人工物の存在下での運動補正と頑健な脳組織セグメンテーションの両面での優れた性能を示す新しいディープラーニングフレームワークを提案する。 切り離し学習ネットワークは、徐々にアーチファクトを除去し、よりクリーンな画像をもたらし、その結果、共同で訓練されたモーション推定とセグメンテーションネットワークによってより正確なセグメンテーションを行う。 このネットワークは、3つの出力を生成する: 動き補正画像、アーチファクトに影響を受けた領域を識別する動き変形マップ、脳組織セグメンテーションマスク。 この変形は、解体過程の誘導機構として機能し、失われた情報を復元するモデルを支援したり、人工的な構造を取り除いたりする。 小児の運動データに対する広範囲なin-vivo実験により、我々の提案したフレームワークは、動作破壊MRIスキャンのセグメント化において最先端の手法より優れていることが示された。

関連論文リスト

• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
  本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。 画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-08-01T07:35:54Z)
• Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
  運動は臨床MRIの約30%に存在していると推定されている。 深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。 画像と正しい動きを同時に高速化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T02:16:35Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Realistic Restorer: artifact-free flow restorer(AF2R) for MRI motion artifact removal [3.8103327351507255]
  運動アーティファクトは画像品質を著しく劣化させ、検査効率を低下させ、正確な診断を困難にする。 それまでの手法は、アーティファクト修正のための暗黙のモデルに頼っていたため、アーティファクト形成機構をモデル化する際のバイアスが生じた。 画像領域のアーティファクトと解剖学的内容の関係を再構築するために、アーティファクト生成機構を組み込んだ。
  論文  参考訳（メタデータ） (2023-06-19T04:02:01Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs [8.736194193307451]
  自然画像の最近の知見は、深いニューラルモデルは、画像分類タスクを実行する際に、テクスチャバイアスを示す可能性があることを示唆している。 本研究の目的は, 深いセグメンテーションモデルの堅牢性と伝達性を高めるために, テクスチャバイアス現象に対処する方法を検討することである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:53Z)
• Assessing Lesion Segmentation Bias of Neural Networks on Motion Corrupted Brain MRI [3.9694334747397484]
  病変分割タスクに係わるニューラルネットワークの性能に、異なるレベルの運動アーティファクトが与える影響を定量化する。 この結果から,カリキュラム学習を用いて学習したネットワークは,異なるレベルの運動アーティファクトの補償に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-12T21:06:40Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)

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。