論文の概要: Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg

• arxiv url: http://arxiv.org/abs/2504.10244v1
• Date: Mon, 14 Apr 2025 14:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:44.453782
• Title: Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg
• Title（参考訳）: SynthSegを用いたコントラスト・病理診断・臨床胎児MRIセグメント化に向けて
• Authors: Ziyao Shang, Misha Kaandorp, Kelly Payette, Marina Fernandez Garcia, Roxane Licandro, Georg Langs, Jordina Aviles Verdera, Jana Hutter, Bjoern Menze, Gregor Kasprian, Meritxell Bach Cuadra, Andras Jakab,
• Abstract要約: 我々は、与えられたトレーニングデータセットの多様性を完全に活用するために、新しいデータ駆動型トレインタイムサンプリング戦略を導入する。 重度の解剖学的異常を有する被験者を対象に, セグメンテーション品質の顕著な改善を図った。
• 参考スコア（独自算出の注目度）: 3.379673965672007
• License:
• Abstract: Magnetic resonance imaging (MRI) has played a crucial role in fetal neurodevelopmental research. Structural annotations of MR images are an important step for quantitative analysis of the developing human brain, with Deep learning providing an automated alternative for this otherwise tedious manual process. However, segmentation performances of Convolutional Neural Networks often suffer from domain shift, where the network fails when applied to subjects that deviate from the distribution with which it is trained on. In this work, we aim to train networks capable of automatically segmenting fetal brain MRIs with a wide range of domain shifts pertaining to differences in subject physiology and acquisition environments, in particular shape-based differences commonly observed in pathological cases. We introduce a novel data-driven train-time sampling strategy that seeks to fully exploit the diversity of a given training dataset to enhance the domain generalizability of the trained networks. We adapted our sampler, together with other existing data augmentation techniques, to the SynthSeg framework, a generator that utilizes domain randomization to generate diverse training data, and ran thorough experimentations and ablation studies on a wide range of training/testing data to test the validity of the approaches. Our networks achieved notable improvements in the segmentation quality on testing subjects with intense anatomical abnormalities (p < 1e-4), though at the cost of a slighter decrease in performance in cases with fewer abnormalities. Our work also lays the foundation for future works on creating and adapting data-driven sampling strategies for other training pipelines.
• Abstract（参考訳）: MRIは胎児神経発達研究において重要な役割を担っている。 MR画像の構造アノテーションは、人間の脳を定量的に分析するための重要なステップであり、Deep Learningは、この面倒な手作業の自動化的な代替手段を提供する。 しかし、畳み込みニューラルネットワークのセグメンテーション性能はドメインシフトに悩まされることが多い。 本研究では,胎児脳MRIを対象の生理的特徴と獲得環境の違い,特に病理症例でよく見られる形状に基づく差異に関連し,広範囲の領域シフトで自動的にセグメント化できるネットワークを訓練することを目的とする。 トレーニングデータセットの多様性をフル活用して,トレーニングされたネットワークの領域一般化性を高めるための,データ駆動型トレインタイムサンプリング戦略を新たに導入する。 我々は既存のデータ拡張技術とともに、ドメインランダム化を利用して多様なトレーニングデータを生成するSynthSegフレームワークに適用し、幅広いトレーニング/テストデータに対する徹底的な実験とアブレーション研究を行い、アプローチの有効性を検証した。 重篤な解剖学的異常 (p<1e-4) を有する被験者のセグメンテーション品質は有意な改善がみられたが, 少ない症例では性能低下がみられた。 我々の研究は、他のトレーニングパイプラインのためのデータ駆動サンプリング戦略の作成と適用に関する将来の研究の基盤も築き上げています。

関連論文リスト

• Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data [1.1936126505067601]
  胎児脳MRIにおける領域ランダム化手法であるFetal SynthSegを紹介する。 以上の結果から,合成データのみにトレーニングされたモデルは,実データにトレーニングされたモデルよりも優れていた。 評価は低磁場(0.55T)MRIで得られた40例に拡張し,新しいSRモデルを用いて再構成した。
  論文  参考訳（メタデータ） (2024-03-22T10:42:25Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of Training Data Diversity on Stability and Robustness [7.909848251752742]
  共生画像に基づくデータ生成のトレーニングのための新しいシミュレーション手法を提案する。 異なるシミュレーションパラメータに対するトレーニングネットワークの感度について検討した。 実験の結果,データ集合を用いてトレーニングしたネットワークは,測定されたファントムデータだけでなく,ドメイン外のシミュレーションデータでもより安定であることがわかった。
  論文  参考訳（メタデータ） (2022-02-01T11:09:35Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Unsupervised Domain Adaptation via CycleGAN for White Matter Hyperintensity Segmentation in Multicenter MR Images [2.627822659948232]
  磁気共鳴画像における白色物質の過強度の定量化は、脳卒中、認知症、死亡のリスクを予測する指標となる。 過去数年間、バイオメディカルなイメージセグメンテーションに適した畳み込みニューラルネットワーク(CNN)は、このタスクにおけるこれまでのすべての技術より優れている。 本研究では,脳病変を有するマルチセンターMR画像に対して,非教師なし領域適応を行うために,CycleGAN (CycleGAN) を用いた方法について検討する。
  論文  参考訳（メタデータ） (2020-09-10T16:48:19Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。