論文の概要: FetDTIAlign: A Deep Learning Framework for Affine and Deformable Registration of Fetal Brain dMRI
- arxiv url: http://arxiv.org/abs/2502.01057v1
- Date: Mon, 03 Feb 2025 05:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:19.980077
- Title: FetDTIAlign: A Deep Learning Framework for Affine and Deformable Registration of Fetal Brain dMRI
- Title（参考訳）: FetDTIAlign:胎児脳MRIのアフィンおよび変形性登録のためのディープラーニングフレームワーク
- Authors: Bo Li, Qi Zeng, Simon K. Warfield, Davood Karimi,
- Abstract要約: 胎児脳dMRI登録のための深層学習手法であるFetDTIAlignを導入し,正確なアフィンと変形可能なアライメントを実現する。
妊娠23週から36週のデータからFetDTIAlignの有効性を検討した。
以上の結果から,胎児脳のdMRI登録における深層学習の可能性が示唆された。
- 参考スコア（独自算出の注目度）: 9.843709678238199
- License:
- Abstract: Diffusion MRI (dMRI) provides unique insights into fetal brain microstructure in utero. Longitudinal and cross-sectional fetal dMRI studies can reveal crucial neurodevelopmental changes but require precise spatial alignment across scans and subjects. This is challenging due to low data quality, rapid brain development, and limited anatomical landmarks. Existing registration methods, designed for high-quality adult data, struggle with these complexities. To address this, we introduce FetDTIAlign, a deep learning approach for fetal brain dMRI registration, enabling accurate affine and deformable alignment. FetDTIAlign features a dual-encoder architecture and iterative feature-based inference, reducing the impact of noise and low resolution. It optimizes network configurations and domain-specific features at each registration stage, enhancing both robustness and accuracy. We validated FetDTIAlign on data from 23 to 36 weeks gestation, covering 60 white matter tracts. It consistently outperformed two classical optimization-based methods and a deep learning pipeline, achieving superior anatomical correspondence. Further validation on external data from the Developing Human Connectome Project confirmed its generalizability across acquisition protocols. Our results demonstrate the feasibility of deep learning for fetal brain dMRI registration, providing a more accurate and reliable alternative to classical techniques. By enabling precise cross-subject and tract-specific analyses, FetDTIAlign supports new discoveries in early brain development.
- Abstract（参考訳）: 拡散MRI(dMRI)は子宮における胎児脳の微細構造に関するユニークな知見を提供する。
縦断的および横断的胎児dMRI研究は、重要な神経発達変化を示すが、スキャンや被験者間の正確な空間的アライメントを必要とする。
これは、低いデータ品質、迅速な脳開発、限られた解剖学的ランドマークのため、難しい。
高品質な成人データのために設計された既存の登録手法は、これらの複雑さと競合する。
これを解決するために、胎児脳のdMRI登録のための深層学習アプローチであるFetDTIAlignを導入し、正確なアフィンと変形可能なアライメントを可能にした。
FetDTIAlignはデュアルエンコーダアーキテクチャと反復的特徴ベースの推論を備え、ノイズの影響と低解像度を低減している。
ネットワーク構成とドメイン固有の機能を各登録段階で最適化し、堅牢性と正確性を向上させる。
妊娠23週から36週のデータからFetDTIAlignの有効性を検討した。
古典的な最適化に基づく2つの手法とディープラーニングパイプラインを一貫して上回り、解剖学的対応性に優れた。
開発人間コネクトームプロジェクトの外部データに関するさらなる検証により、買収プロトコル間の一般化性が確認された。
以上の結果から,胎児脳のdMRI登録における深層学習の可能性が示唆された。
FetDTIAlignは、正確なクロスオブジェクトとトラクター固有の分析を可能にすることで、初期の脳の発達における新しい発見をサポートする。
関連論文リスト
- Detailed delineation of the fetal brain in diffusion MRI via multi-task learning [5.261252388770444]
我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。
これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
論文 参考訳（メタデータ） (2024-08-26T13:51:04Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2024-03-04T19:56:19Z) - FetMRQC: a robust quality control system for multi-centric fetal brain MRI [33.08151493899017]
本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。
FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。
我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2023-11-08T15:59:41Z) - 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) - Fetal-BET: Brain Extraction Tool for Fetal MRI [4.214523989654048]
約72,000個の胎児脳MRI画像の注釈付きデータセットを構築した。
このデータセットを用いて、U-Netスタイルアーキテクチャのパワーを利用してディープラーニング手法を開発し、検証した。
本手法では,マルチコントラスト(マルチシーケンス)胎児MRIデータからの豊富な情報を活用し,胎児の脳構造を正確に把握する。
論文 参考訳（メタデータ） (2023-10-02T18:14:23Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - 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) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳（メタデータ） (2022-03-11T02:00:27Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z)
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。