論文の概要: Advances in Automated Fetal Brain MRI Segmentation and Biometry: Insights from the FeTA 2024 Challenge

• arxiv url: http://arxiv.org/abs/2505.02784v3
• Date: Thu, 08 May 2025 09:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 13:13:47.808305
• Title: Advances in Automated Fetal Brain MRI Segmentation and Biometry: Insights from the FeTA 2024 Challenge
• Title（参考訳）: 胎児脳MRIの自動化とバイオメトリーの進歩: FeTA 2024 チャレンジから
• Authors: Vladyslav Zalevskyi, Thomas Sanchez, Misha Kaandorp, Margaux Roulet, Diego Fajardo-Rojas, Liu Li, Jana Hutter, Hongwei Bran Li, Matthew Barkovich, Hui Ji, Luca Wilhelmi, Aline Dändliker, Céline Steger, Mériam Koob, Yvan Gomez, Anton Jakovčić, Melita Klaić, Ana Adžić, Pavel Marković, Gracia Grabarić, Milan Rados, Jordina Aviles Verdera, Gregor Kasprian, Gregor Dovjak, Raphael Gaubert-Rachmühl, Maurice Aschwanden, Qi Zeng, Davood Karimi, Denis Peruzzo, Tommaso Ciceri, Giorgio Longari, Rachika E. Hamadache, Amina Bouzid, Xavier Lladó, Simone Chiarella, Gerard Martí-Juan, Miguel Ángel González Ballester, Marco Castellaro, Marco Pinamonti, Valentina Visani, Robin Cremese, Keïn Sam, Fleur Gaudfernau, Param Ahir, Mehul Parikh, Maximilian Zenk, Michael Baumgartner, Klaus Maier-Hein, Li Tianhong, Yang Hong, Zhao Longfei, Domen Preloznik, Žiga Špiclin, Jae Won Choi, Muyang Li, Jia Fu, Guotai Wang, Jingwen Jiang, Lyuyang Tong, Bo Du, Andrea Gondova, Sungmin You, Kiho Im, Abdul Qayyum, Moona Mazher, Steven A Niederer, Andras Jakab, Roxane Licandro, Kelly Payette, Meritxell Bach Cuadra,
• Abstract要約: FeTA Challenge 2024は胎児脳MRI解析を進歩させた。 組織セグメンテーションと並行して新しい課題としてバイオメトリ予測を導入した。 今回は、新しいローフィールド(0.55T)MRIデータセットからのデータを含む、多様なマルチ中心テストセットを初めて紹介しました。
• 参考スコア（独自算出の注目度）: 27.07002392996198
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate fetal brain tissue segmentation and biometric analysis are essential for studying brain development in utero. The FeTA Challenge 2024 advanced automated fetal brain MRI analysis by introducing biometry prediction as a new task alongside tissue segmentation. For the first time, our diverse multi-centric test set included data from a new low-field (0.55T) MRI dataset. Evaluation metrics were also expanded to include the topology-specific Euler characteristic difference (ED). Sixteen teams submitted segmentation methods, most of which performed consistently across both high- and low-field scans. However, longitudinal trends indicate that segmentation accuracy may be reaching a plateau, with results now approaching inter-rater variability. The ED metric uncovered topological differences that were missed by conventional metrics, while the low-field dataset achieved the highest segmentation scores, highlighting the potential of affordable imaging systems when paired with high-quality reconstruction. Seven teams participated in the biometry task, but most methods failed to outperform a simple baseline that predicted measurements based solely on gestational age, underscoring the challenge of extracting reliable biometric estimates from image data alone. Domain shift analysis identified image quality as the most significant factor affecting model generalization, with super-resolution pipelines also playing a substantial role. Other factors, such as gestational age, pathology, and acquisition site, had smaller, though still measurable, effects. Overall, FeTA 2024 offers a comprehensive benchmark for multi-class segmentation and biometry estimation in fetal brain MRI, underscoring the need for data-centric approaches, improved topological evaluation, and greater dataset diversity to enable clinically robust and generalizable AI tools.
• Abstract（参考訳）: 正確な胎児脳組織分節と生体計測分析は子宮の脳発生の研究に不可欠である。 FeTA Challenge 2024は、組織セグメンテーションと並行して新しいタスクとしてバイオメトリ予測を導入することで、胎児脳MRIの自動解析を進歩させた。 今回は、新しいローフィールド(0.55T)MRIデータセットからのデータを含む、多様なマルチ中心テストセットを初めて紹介しました。 評価指標はトポロジー固有のオイラー特性差(ED)を含むように拡張された。 16チームがセグメンテーション手法を提出し、その大半はハイフィールドスキャンとローフィールドスキャンの両方で一貫して実行された。 しかし、縦方向の傾向はセグメンテーションの精度が高原に到達していることを示している。 ED測度は従来の測度で見落とされた位相差を明らかにし、ローフィールドのデータセットは高いセグメンテーションスコアを達成し、高品質の再構成と組み合わせて安価な画像システムの可能性を強調した。 7つのチームがバイオメトリタスクに参加したが、ほとんどの手法は、妊娠年齢のみに基づいて測定を予測する単純なベースラインを上回り、画像データのみから信頼性の高いバイオメトリック推定を抽出するという課題を浮き彫りにした。 ドメインシフト分析では、画像品質がモデル一般化に影響を与える最も重要な要因であり、超解像パイプラインも重要な役割を果たす。 その他の要因として、妊娠年齢、病理、獲得部位は小さいが、測定可能な効果は小さい。 全体として、FeTA 2024は胎児脳MRIのマルチクラスセグメンテーションとバイオメトリ推定のための包括的なベンチマークを提供し、データ中心のアプローチの必要性を強調し、トポロジカル評価を改善し、さらにデータセットの多様性を高めて、臨床的に堅牢で一般化可能なAIツールを可能にする。

関連論文リスト

• Benchmarking the Reproducibility of Brain MRI Segmentation Across Scanners and Time [0.0190469137058137]
  Dice, Surface Dice, Hausdorff Distance (HD95), Mean Absolute Percentage Error (MAPE) を用いたスキャン間セグメンテーション変動の定量化 この結果より, 扁桃体, 腹側ジエンセノンなどの小皮質の7～8%の容積変化が認められた。
  論文  参考訳（メタデータ） (2025-04-22T14:20:18Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• ISLES 2024: The first longitudinal multimodal multi-center real-world dataset in (sub-)acute stroke [2.7919032539697444]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を負っている。 脳卒中画像から有意義で再現可能な脳機能のモデルを抽出できる機械学習アルゴリズムを開発する。 このデータセットは, 血管造影と灌流による急性CT像, 2～9日間の経過観察, 急性期, 慢性期の臨床データなど, 経時的脳梗塞の包括的データとして初めて提供された。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets [1.0499611180329802]
  異種臨床データセットの堅牢な解析を可能にするAIセグメンテーションスイートであるSynthSeg+を提案する。 具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、欠陥セグメンテーションの自動検出も行う。 われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
  論文  参考訳（メタデータ） (2022-09-05T16:09:24Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Deep regression for uncertainty-aware and interpretable analysis of large-scale body MRI [1.6799377888527687]
  英国バイオバンクのような大規模医学研究は、医療画像技術を用いた数千人のボランティア参加者を調査した。 回帰のための畳み込みニューラルネットワークによる最近のアプローチは、これらの評価を自動的に行うことができる。 英国バイオバンクの4万人以上の被験者のMRIデータについて、これらのシステムは人間の年齢、体組成などを推定することができる。
  論文  参考訳（メタデータ） (2021-05-17T13:12:20Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Large-scale biometry with interpretable neural network regression on UK Biobank body MRI [1.3439502310822151]
  イギリスのバイオバンクがMRIで3万2000人以上の被験者を画像化 研究の可能性にもかかわらず、この膨大な量のデータは、確立された評価方法への挑戦を示す。 この研究では、ネック・トゥ・クニー・ボディMRIから様々な生物学的指標を自動的に推測するために、画像に基づく回帰のためにニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-02-17T09:47:58Z)
• 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。