論文の概要: ROIsGAN: A Region Guided Generative Adversarial Framework for Murine Hippocampal Subregion Segmentation

• arxiv url: http://arxiv.org/abs/2505.10687v1
• Date: Thu, 15 May 2025 20:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.481816
• Title: ROIsGAN: A Region Guided Generative Adversarial Framework for Murine Hippocampal Subregion Segmentation
• Title（参考訳）: ROIsGAN : マウス海馬亜地域分節分類のための領域ガイド付きジェネレーティブ・アドバイザリー・フレームワーク
• Authors: Sayed Mehedi Azim, Brian Corbett, Iman Dehzangi,
• Abstract要約: 海馬は、記憶処理と様々な神経変性および精神疾患に関わる重要な脳構造である。 組織像から海馬の亜領域を自動分割する手法は存在しない。 海馬サブリージョンセグメンテーションに適した,U-Net をベースとした領域誘導型生成対向ネットワーク ROIsGAN を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The hippocampus, a critical brain structure involved in memory processing and various neurodegenerative and psychiatric disorders, comprises three key subregions: the dentate gyrus (DG), Cornu Ammonis 1 (CA1), and Cornu Ammonis 3 (CA3). Accurate segmentation of these subregions from histological tissue images is essential for advancing our understanding of disease mechanisms, developmental dynamics, and therapeutic interventions. However, no existing methods address the automated segmentation of hippocampal subregions from tissue images, particularly from immunohistochemistry (IHC) images. To bridge this gap, we introduce a novel set of four comprehensive murine hippocampal IHC datasets featuring distinct staining modalities: cFos, NeuN, and multiplexed stains combining cFos, NeuN, and either {\Delta}FosB or GAD67, capturing structural, neuronal activity, and plasticity associated information. Additionally, we propose ROIsGAN, a region-guided U-Net-based generative adversarial network tailored for hippocampal subregion segmentation. By leveraging adversarial learning, ROIsGAN enhances boundary delineation and structural detail refinement through a novel region-guided discriminator loss combining Dice and binary cross-entropy loss. Evaluated across DG, CA1, and CA3 subregions, ROIsGAN consistently outperforms conventional segmentation models, achieving performance gains ranging from 1-10% in Dice score and up to 11% in Intersection over Union (IoU), particularly under challenging staining conditions. Our work establishes foundational datasets and methods for automated hippocampal segmentation, enabling scalable, high-precision analysis of tissue images in neuroscience research. Our generated datasets, proposed model as a standalone tool, and its corresponding source code are publicly available at: https://github.com/MehediAzim/ROIsGAN
• Abstract（参考訳）: 記憶処理および様々な神経変性および精神障害に関与する重要な脳構造である海馬は、歯状回(DG)、Cornu Ammonis 1(CA1)、Cornu Ammonis 3(CA3)の3つの重要な領域からなる。 組織組織像からのこれらのサブリージョンの正確なセグメンテーションは、疾患のメカニズム、発達動態、治療介入の理解を深めるために不可欠である。 しかし, 組織像, 特に免疫組織化学(IHC)画像から海馬亜領域の自動分割に対処する方法は存在しない。 このギャップを埋めるために、我々はcFos、NeuN、およびcFos、NeuN、およびcDelta}FosBまたはGAD67を併用した多重染色を特徴とする4つの総合的な海馬IHCデータセットを導入し、構造的、神経活動および可塑性関連情報を収集した。 さらに,海馬サブリージョンセグメンテーションに適した領域誘導型U-Netによる生成対向ネットワークであるROIsGANを提案する。 対立学習を活用することにより、ROIsGANは、Diceとバイナリクロスエントロピーロスを組み合わせた新しい領域誘導型判別器損失により、境界線と構造的詳細化を強化する。 DG、CA1、CA3のサブリージョンで評価され、ROIsGANは従来のセグメンテーションモデルより一貫して優れており、Diceスコアが1-10%、Intersection over Union(IoU)が最大11%、特に難解な染色条件下でパフォーマンスが向上している。 我々の研究は、脳科学研究における組織像のスケーラブルで高精度な解析を可能にする、海馬セグメンテーションの基盤となるデータセットと方法を確立する。 生成されたデータセット、モデルがスタンドアロンツールとして提案され、対応するソースコードは、https://github.com/MehediAzim/ROIsGANで公開されています。

関連論文リスト

• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Two-stage MR Image Segmentation Method for Brain Tumors based on Attention Mechanism [27.08977505280394]
  CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。 ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。 元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
  論文  参考訳（メタデータ） (2023-04-17T08:34:41Z)
• Multiclass Semantic Segmentation to Identify Anatomical Sub-Regions of Brain and Measure Neuronal Health in Parkinson's Disease [2.288652563296735]
  現在、脳の解剖下領域を分析して2次元の組織像を分析する機械学習モデルは利用できない。 本研究では,Nissl/HaematoxylinおよびTyrosine hydroxylase酵素(TH,ドーパミン作動性ニューロンの生存率の指標)で染色した約1000個のアノテート2次元脳画像を用いて,ベストフィットモデルを訓練した。 このモデルは、すべての画像において2つのサブリージョンコンパクト(SNCD)とレチキュラタ(SNr)を効果的に検出できる。
  論文  参考訳（メタデータ） (2023-01-07T19:35:28Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning joint segmentation of tissues and brain lesions from task-specific hetero-modal domain-shifted datasets [6.049813979681482]
  本稿では,タスク固有のデータセットから関節組織と病変のセグメンテーションモデルを構築するための新しい手法を提案する。 予測されるリスクがどのように分解され、経験的に最適化されるかを示す。 それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-09-08T22:00:00Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Brain segmentation based on multi-atlas guided 3D fully convolutional network ensembles [1.52292571922932]
  構造磁気共鳴画像(MRI)から関心領域(ROI)を抽出するためのマルチアトラスガイド3次元完全畳み込みネットワーク(FCN)アンサンブルモデル(M-FCN)を提案し,検証した。 我々は、各ROIの3次元FCNモデルを、適応サイズのパッチとデコンボリューション層内の畳み込み層の組込み出力を用いて訓練し、局所的およびグローバルなコンテキストパターンをさらに捉えた。 その結果,提案手法はセグメンテーション性能に優れていた。
  論文  参考訳（メタデータ） (2019-01-05T08:23:48Z)

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。