論文の概要: Ultra-high resolution multimodal MRI dense labelled holistic brain atlas
- arxiv url: http://arxiv.org/abs/2501.16879v1
- Date: Tue, 28 Jan 2025 12:06:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:40:40.943290
- Title: Ultra-high resolution multimodal MRI dense labelled holistic brain atlas
- Title（参考訳）: 超高分解能マルチモーダルMRI高密度全身性脳腺腫
- Authors: José V. Manjón, Sergio Morell-Ortega, Marina Ruiz-Perez, Boris Mansencal, Edern Le Bot, Marien Gadea, Enrique Lanuza, Gwenaelle Catheline, Thomas Tourdias, Vincent Planche, Rémi Giraud, Denis Rivière, Jean-François Mangin, Nicole Labra-Avila, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Maria de la Iglesia-Vaya, Pierrick Coupé,
- Abstract要約: ホリアトラス(HoliAtlas)は、全身性、多モード性、高解像度のヒト脳アトラスである。
このアトラスは、Human Connectome Projectデータベースから75人の健康な被験者の画像とセグメンテーションを平均化して構築されている。
- 参考スコア（独自算出の注目度）: 27.43221440403285
- License:
- Abstract: In this paper, we introduce holiAtlas, a holistic, multimodal and high-resolution human brain atlas. This atlas covers different levels of details of the human brain anatomy, from the organ to the substructure level, using a new dense labelled protocol generated from the fusion of multiple local protocols at different scales. This atlas has been constructed averaging images and segmentations of 75 healthy subjects from the Human Connectome Project database. Specifically, MR images of T1, T2 and WMn (White Matter nulled) contrasts at 0.125 $mm^{3}$ resolution that were nonlinearly registered and averaged using symmetric group-wise normalisation to construct the atlas. At the finest level, the holiAtlas protocol has 350 different labels derived from 10 different delineation protocols. These labels were grouped at different scales to provide a holistic view of the brain at different levels in a coherent and consistent manner. This multiscale and multimodal atlas can be used for the development of new ultra-high resolution segmentation methods that can potentially leverage the early detection of neurological disorders.
- Abstract（参考訳）: 本稿では,ホリアトラス(holiAtlas)について紹介する。
このアトラスは、臓器からサブストラクチャレベルまで、異なるスケールで複数の局所的なプロトコルの融合から生成される新しい高密度なラベル付きプロトコルを使用して、人間の脳解剖の様々なレベルの詳細をカバーしている。
このアトラスは、Human Connectome Projectデータベースから75人の健康な被験者の画像とセグメンテーションを平均化して構築されている。
具体的には、T1, T2 および WMn の MR 画像のコントラストは 0.125 $mm^{3}$ である。
最も優れたレベルでは、HoliAtlasプロトコルは10の異なるデラインプロトコルから派生した350の異なるラベルを持つ。
これらのラベルは、コヒーレントで一貫した方法で異なるレベルで脳の全体像を提供するために、異なるスケールでグループ化された。
このマルチスケールおよびマルチモーダル・アトラスは、神経疾患の早期発見を潜在的に活用できる新しい超高分解能セグメンテーション法の開発に利用できる。
関連論文リスト
- HiFi-Syn: Hierarchical Granularity Discrimination for High-Fidelity Synthesis of MR Images with Structure Preservation [11.924728060845595]
医用画像に含まれる様々な意味情報を活用する階層的粒度識別を導入する。
当社の戦略では,脳記憶バンクを用いたピクセルレベルの識別,各脳構造に対する構造レベルの識別,およびハードサンプルに焦点を当てた再重み付け戦略という,3段階の識別粒度を活用している。
我々のモデルは、患者の特定のMRモダリティが利用できないシナリオにおいて、代替の解決策を提供するかもしれない。
論文 参考訳（メタデータ） (2023-11-21T09:15:24Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Automatic Semantic Segmentation of the Lumbar Spine. Clinical
Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。
提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
論文 参考訳（メタデータ） (2021-11-16T17:33:05Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳（メタデータ） (2021-08-11T06:39:26Z) - Multi-Atlas Based Pathological Stratification of d-TGA Congenital Heart
Disease [3.6954389087617345]
我々は,atlas選択不良に伴うセグメンテーションエラーを利用して,大血管のデキストロトランスポジション(d-tga)における病的分類のためのcadシステムを構築した。
提案されたアプローチは、セグメンテーションの品質を記述する一連の特徴を抽出し、それらを最終的な診断を提供する論理的な決定木に導入する。
健常症例と術後D-TGAの2つの異なる形態を含む60全体の心臓MR画像のセットでこの方法を検証する。
論文 参考訳（メタデータ） (2021-04-05T15:28:39Z) - Multimodal brain tumor classification [4.984601297028256]
本研究では,全スライド画像と磁気共鳴画像を組み合わせて腫瘍を分類する深層学習手法について検討する。
特に、私たちのソリューションは、スライド画像の分類全体のための強力で汎用的でモジュラーなアーキテクチャで構成されています。
2020年の計算精度医学の課題に先んじて実験が実施されている。
論文 参考訳（メタデータ） (2020-09-03T11:41:50Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。