論文の概要: Imaging Biomarkers for Neurodegenerative Diseases from Detailed Segmentation of Medial Temporal Lobe Subregions on in vivo Brain MRI Using Upsampling Strategy Guided by High-resolution ex vivo MRI

• arxiv url: http://arxiv.org/abs/2504.18442v2
• Date: Wed, 24 Sep 2025 15:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 14:09:11.149553
• Title: Imaging Biomarkers for Neurodegenerative Diseases from Detailed Segmentation of Medial Temporal Lobe Subregions on in vivo Brain MRI Using Upsampling Strategy Guided by High-resolution ex vivo MRI
• Title（参考訳）: 神経変性疾患のイメージングバイオマーカー : 高分解能MRIを用いた脳MRIにおける側頭葉部分領域の詳細な分離
• Authors: Yue Li, Pulkit Khandelwal, Long Xie, Laura E. M. Wisse, Amanda E. Denning, Christopher A. Brown, Emily McGrew, Sydney A. Lim, Niyousha Sadeghpour, Sadhana Ravikumar, Ranjit Ittyerah, Eunice Chung, Daniel T. Ohm, Nidhi S. Mundada, María Mercedes Íñiguez de Onzoño Martín, María del Mar Arroyo Jiménez, Monica Mũnoz, Maria del Pilar Marcos Rabal, David J. Irwin, Edward B. Lee, Ricardo Insausti, Sandhitsu R. Das, David A. Wolk, Paul A. Yushkevich,
• Abstract要約: 延髄側頭葉 (MTL) は、アルツハイマー病(AD)の早期に広範囲に及び非一様に影響を及ぼす領域である 異なるMRIモダリティは、MTL形態計測に明確な利点がある。 本稿では,T1w と T2w のモダリティをほぼ等方的なボクセル空間に導いて橋渡しする多モード MTL セグメンテーションアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.190174708301257
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The medial temporal lobe (MTL) is a region impacted extensively and non-uniformly in early stages of Alzheimer's disease (AD). Regional MTL morphometric measures extracted from magnetic resonance imaging (MRI) are supportive features for the diagnosis of AD and related disorders (ADRD). Different MRI modalities have distinct advantages for MTL morphometry. Anisotropic T2-weighted (T2w) MRI is preferred for hippocampal subfields due to its higher contrast between hippocampal layers. Isotropic T1-weighted (T1w) MRI is beneficial for thickness calculation of extra-hippocampal subregions due to its stable image quality and isotropic resolution. We propose a multi-modality MTL segmentation algorithm that bridges the T1w and T2w modalities by bringing both to a nearly isotropic voxel space. Guided by high-resolution ex vivo 9.4T MRI, an upsampling model was designed for the ground truth segmentations. Combined with non-local means upsampling, this model was used to construct a nearly iso-tropic T1w and T2w MTL subregion segmentation training set, which was used to train a nnUNet model. Morphometric biomarkers extracted by this model were compared to those extracted using conventional models operating in anisotropic spaces on downstream tasks. Biomarkers extracted using the proposed model had greater ability to discriminate between individuals with mild cognitive impairment and cognitively unimpaired; and had great-er longitudinal stability. These findings suggest that the biomarkers derived from T1w and T2w MRI unsampled to nearly isotropic resolution have sig-nificant potential for improving disease diagnosis and monitoring disease progression in ADRD.
• Abstract（参考訳）: 内側側頭葉 (MTL) は、アルツハイマー病(AD)の早期に広範囲に及び非一様に影響を及ぼす領域である。 磁気共鳴画像(MRI)から抽出した局所MTL計測はADと関連疾患(ADRD)の診断に有効である。 異なるMRIモダリティは、MTL形態計測に明確な利点がある。 異方性T2強調(T2w)MRIは、海馬層間のコントラストが高いため、海馬の亜野に好まれる。 等方性T1強調(T1w)MRIは画像品質の安定と等方性分解能により海馬外領域の厚み計算に有用である。 本稿では,T1w と T2w のモダリティをほぼ等方的なボクセル空間に導いて橋渡しする多モード MTL セグメンテーションアルゴリズムを提案する。 高解像度の9.4T MRIで導かれたアップサンプリングモデルは、真理分割のために設計された。 非局所的な手段アップサンプリングと組み合わせて、このモデルは、nnUNetモデルのトレーニングに使用されたほぼ等方性T1wとT2w MTLサブリージョンセグメンテーショントレーニングセットを構築するために使用された。 本モデルにより抽出された形態計測バイオマーカーを,下流タスクにおける異方性空間で動作する従来のモデルと比較した。 提案モデルを用いて抽出したバイオマーカーは、軽度認知障害と認知障害を有する個人を識別する能力が高く、より長手な安定性を有していた。 以上の結果から,T1wおよびT2wMRI由来のバイオマーカーがほぼ等方性分解能を示すことが,ADRDの疾患診断の改善と疾患進展のモニタリングに有意な可能性を示唆した。

関連論文リスト

• Exploring Robustness of Cortical Morphometry in the presence of white matter lesions, using Diffusion Models for Lesion Filling [0.1362941274535414]
  多発性硬化症や小血管疾患などのT1強調画像における白色物質の低強度は、脳の分画の出力に影響を与えることが知られている。 これらの効果は、従来の脳のセグメンテーションツールの間でよく文書化されているが、ディープラーニングセグメンテーションに基づくツールでは広く研究されていない。 本稿では,WM病変の存在下での皮質厚測定の精度と効率を高めるため,深層学習の可能性を検討する。
  論文  参考訳（メタデータ） (2025-03-26T14:18:35Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Serp-Mamba: Advancing High-Resolution Retinal Vessel Segmentation with Selective State-Space Model [45.682311387979944]
  本稿では,この課題に対処する最初のSerpentine Mamba(Serp-Mamba)ネットワークを提案する。 我々はまず,UWF-SLO画像をヘビのように曲がった血管構造に沿って走査するSerpentine Interwoven Adaptive (SIA)スキャン機構を考案した。 次に,高分解能画像によって強調されるカテゴリ不均衡問題に対処するアンビグニティ駆動型デュアルリカレーションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-06T15:40:47Z)
• H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI for hypothalamus subregion segmentation [1.0486773259892048]
  視床下部領域の自動セグメンテーションのための機械学習手法であるH-SynExを紹介する。 H-SynExは、リトレーニングなしで異なるMRIシーケンスと解像度を一般化する。 5mm間隔のFLAIR画像において,アルツハイマー病患者に対してコントロールを識別することができた。
  論文  参考訳（メタデータ） (2024-01-30T15:36:02Z)
• FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and adjacent structures on high-resolutional brain MRI [3.869627124798774]
  視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。 我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-08-24T12:26:38Z)
• Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance from High-Quality Isotropic Volumes [52.242103848335354]
  本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。 我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
  論文  参考訳（メタデータ） (2023-08-13T12:51:15Z)
• Segmenting thalamic nuclei from manifold projections of multi-contrast MRI [6.474263550035463]
  視床下部は皮質下灰白質構造であり、脳内の感覚や運動の伝達に重要な役割を果たしている。 その核は萎縮したり、神経疾患や軽度の外傷性脳損傷を含む損傷によって影響を受けることがある。 本稿では,視床核を解析し,自然に集束する重要な組織シグネチャを決定するためのイメージング機能について検討する。
  論文  参考訳（メタデータ） (2023-01-15T15:11:51Z)
• MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
  マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。 我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。 特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
  論文  参考訳（メタデータ） (2023-01-04T19:16:55Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• PSIGAN: Joint probabilistic segmentation and image distribution matching for unpaired cross-modality adaptation based MRI segmentation [4.573421102994323]
  我々は、新しい関節確率分割と画像分布マッチング生成対向ネットワーク(PSIGAN)を開発した。 我々のUDAアプローチは、画像とセグメント間の共依存性を共同確率分布としてモデル化する。 T1wは0.87,T2wは0.90であった。
  論文  参考訳（メタデータ） (2020-07-18T16:23:02Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。