論文の概要: Nonhuman Primate Brain Tissue Segmentation Using a Transfer Learning Approach

• arxiv url: http://arxiv.org/abs/2503.22829v2
• Date: Tue, 01 Apr 2025 11:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-02 10:23:44.926263
• Title: Nonhuman Primate Brain Tissue Segmentation Using a Transfer Learning Approach
• Title（参考訳）: トランスファーラーニングアプローチを用いた非ヒト霊長類脳組織分節
• Authors: Zhen Lin, Hongyu Yuan, Richard Barcus, Qing Lyu, Sucheta Chakravarty, Megan E. Lipford, Carol A. Shively, Suzanne Craft, Mohammad Kawas, Jeongchul Kim, Christopher T. Whitlow,
• Abstract要約: 非ヒト霊長類(NHP)は、人間の脳機能や神経疾患を理解するための重要なモデルである。 NHPの脳組織セグメンテーションは神経疾患を理解するために重要であるが、注釈付きNHP脳MRIデータセットが不足しているため困難である。 本稿では,人間の脳MRIデータから伝達される知識を活用するために,STU-Netとトランスファーラーニングを用いた新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.806261063868264
• License:
• Abstract: Non-human primates (NHPs) serve as critical models for understanding human brain function and neurological disorders due to their close evolutionary relationship with humans. Accurate brain tissue segmentation in NHPs is critical for understanding neurological disorders, but challenging due to the scarcity of annotated NHP brain MRI datasets, the small size of the NHP brain, the limited resolution of available imaging data and the anatomical differences between human and NHP brains. To address these challenges, we propose a novel approach utilizing STU-Net with transfer learning to leverage knowledge transferred from human brain MRI data to enhance segmentation accuracy in the NHP brain MRI, particularly when training data is limited. The combination of STU-Net and transfer learning effectively delineates complex tissue boundaries and captures fine anatomical details specific to NHP brains. Notably, our method demonstrated improvement in segmenting small subcortical structures such as putamen and thalamus that are challenging to resolve with limited spatial resolution and tissue contrast, and achieved DSC of over 0.88, IoU over 0.8 and HD95 under 7. This study introduces a robust method for multi-class brain tissue segmentation in NHPs, potentially accelerating research in evolutionary neuroscience and preclinical studies of neurological disorders relevant to human health.
• Abstract（参考訳）: 非ヒト霊長類(NHP)は、ヒトとの進化的関係が近いため、ヒトの脳機能と神経疾患を理解するための重要なモデルとして機能する。 NHPにおける正確な脳組織分画は、神経疾患を理解するために重要であるが、注釈付きNHP脳MRIデータセットの不足、NHP脳の小さなサイズ、利用可能な画像データの解像度の制限、ヒトとNHP脳の解剖学的差異のために困難である。 これらの課題に対処するために,人間の脳MRIデータから伝達される知識を活用して,特に訓練データに制限がある場合のNHP脳MRIのセグメンテーション精度を高めるために,STU-Netを用いたトランスファーラーニング手法を提案する。 STU-Netと転写学習の組み合わせは複雑な組織の境界を効果的に決定し、NHP脳に特有の微細な解剖学的詳細を捉える。 特に, 空間分解能や組織コントラストの制限による解決が困難である小角膜, 視床などの小皮質構造の分節化が, 0.8以上, HD95以下で0.88以上, HD95以上であった。 本研究は、NHPにおける多クラス脳組織セグメンテーションのロバストな手法を導入し、進化神経科学の研究や、ヒトの健康に関連する神経疾患の研究を加速させる可能性がある。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [9.423808859117122]
  我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。 実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
  論文  参考訳（メタデータ） (2024-10-07T02:47:55Z)
• 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)
• Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder [53.575426835313536]
  LLMを用いたfMRIエンコーディングと脳のスコアを用いた高齢者の言語関連機能変化について検討する。 脳のスコアと認知スコアの相関関係を脳全体のROIと言語関連ROIの両方で分析した。 以上の結果から,認知能力の向上は,中側頭回に有意な相関がみられた。
  論文  参考訳（メタデータ） (2024-07-15T01:09:08Z)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• SHARM: Segmented Head Anatomical Reference Models [1.3108652488669732]
  本研究は196名の被験者からなるオープンアクセス・セグメンテッド・ヘッド解剖学的基準モデル(SHARM)を提供する。 SHARMは、電磁線ドシメトリー研究だけでなく、異なる人間の頭部セグメンテーション応用にも有用なベンチマークとして期待されている。
  論文  参考訳（メタデータ） (2023-09-13T02:24:37Z)
• 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)
• Self-supervised Learning for Segmentation and Quantification of Dopamine Neurons in Parkinson's Disease [4.920792989744368]
  パーキンソン病(英: Parkinson's Disease、PD)は、ヒトで2番目に多い神経変性疾患である。 スタスタティア・ニグラのドーパミン作動性ニューロン数を数えることは、PD動物モデルにおける薬物効果を評価する上で最も重要な指標の1つである。 PD動物モデルにおけるドーパミン作動性ニューロンのセグメンテーションと定量化のための自己教師型学習に基づくエンドツーエンドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-11T22:47:12Z)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)

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。