論文の概要: Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2508.04522v1
• Date: Wed, 06 Aug 2025 15:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.779676
• Title: Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation
• Title（参考訳）: 人工組織分割のための条件付き胎児脳アトラス学習
• Authors: Johannes Tischer, Patric Kienast, Marlene Stümpflen, Gregor Kasprian, Georg Langs, Roxane Licandro,
• Abstract要約: 本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。 このフレームワークは、直接登録モデルと条件判別器を組み合わせる。 妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
• 参考スコア（独自算出の注目度）: 0.8326370619658685
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) of the fetal brain has become a key tool for studying brain development in vivo. Yet, its assessment remains challenging due to variability in brain maturation, imaging protocols, and uncertain estimates of Gestational Age (GA). To overcome these, brain atlases provide a standardized reference framework that facilitates objective evaluation and comparison across subjects by aligning the atlas and subjects in a common coordinate system. In this work, we introduce a novel deep-learning framework for generating continuous, age-specific fetal brain atlases for real-time fetal brain tissue segmentation. The framework combines a direct registration model with a conditional discriminator. Trained on a curated dataset of 219 neurotypical fetal MRIs spanning from 21 to 37 weeks of gestation. The method achieves high registration accuracy, captures dynamic anatomical changes with sharp structural detail, and robust segmentation performance with an average Dice Similarity Coefficient (DSC) of 86.3% across six brain tissues. Furthermore, volumetric analysis of the generated atlases reveals detailed neurotypical growth trajectories, providing valuable insights into the maturation of the fetal brain. This approach enables individualized developmental assessment with minimal pre-processing and real-time performance, supporting both research and clinical applications. The model code is available at https://github.com/cirmuw/fetal-brain-atlas
• Abstract（参考訳）: 胎児脳の磁気共鳴イメージング(MRI)は、生体内での脳の発達を研究する重要なツールとなっている。 しかし、その評価は、脳の成熟、イメージングプロトコル、および不確実なGestational Age (GA)の推定の変動により、依然として困難である。 これらを克服するために、脳アトラスは、共通の座標系において、アトラスと被写体を整列させることにより、被写体間の客観的評価と比較を容易にする標準化された参照フレームワークを提供する。 本研究は, リアルタイム胎児脳組織セグメント化のための, 連続的, 年齢別胎児脳アトラスを生成するための新しいディープラーニングフレームワークを提案する。 このフレームワークは、直接登録モデルと条件判別器を組み合わせる。 妊娠21週から37週にわたる219個の神経型胎児MRIを訓練した。 この方法は高い登録精度を達成し、鋭い構造の詳細で動的解剖学的変化を捉え、6つの脳組織で平均86.3%のDice similarity Coefficient (DSC)による堅牢なセグメンテーション性能を達成している。 さらに、生成されたアトラスの体積分析により、詳細な神経型成長軌跡が明らかとなり、胎児の脳の成熟に関する貴重な知見が得られている。 このアプローチは、最小限の事前処理とリアルタイムパフォーマンスを備えた個別の発達評価を可能にし、研究および臨床応用の両方をサポートする。 モデルコードはhttps://github.com/cirmuw/fetal-brain-atlasで公開されている。

関連論文リスト

• Deeply Supervised Multi-Task Autoencoder for Biological Brain Age estimation using three dimensional T$_1$-weighted magnetic resonance imaging [0.0]
  脳年齢推定のためのDeply Supervised Multitask Autoencoder (DSMT-AE) フレームワークを提案する。 DSMT-AEは、訓練中に中間層に監視信号を適用するディープ・インスペクションを採用している。 我々は、Open Brain Health Benchmarkデータセット上でDSMT-AEを広範囲に評価した。
  論文  参考訳（メタデータ） (2025-08-03T03:24:02Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• CINeMA: Conditional Implicit Neural Multi-Modal Atlas for a Spatio-Temporal Representation of the Perinatal Brain [7.559401016563897]
  CINeMAは、高分解能、神経側頭葉、マルチモーダル脳アトラスを作成するための新しいフレームワークである。 計算集約的な画像登録を避け、アトラス構築時間を数日から数分に短縮する。 GA、生年月日、腹腔鏡下手術(VM)、コーパス・カロサム・アジェネシス(ACC)などの解剖学的特徴に対するフレキシブルな条件付けを可能にする
  論文  参考訳（メタデータ） (2025-06-11T12:39:41Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• 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)
• CINA: Conditional Implicit Neural Atlas for Spatio-Temporal Representation of Fetal Brains [10.512435553279346]
  CINAは胎児の脳の一般的な表現を学び、被検体固有の情報を潜伏コードにエンコードする。 トレーニング後、CINAは胎児の脳の組織確率マップを持つ忠実なアトラスを構築することができる。 CINAは、神経型脳と心室筋腫を有する病理性脳に対して優れた精度を示す。
  論文  参考訳（メタデータ） (2024-03-13T14:02:42Z)
• 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)
• CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
  本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。 提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
  論文  参考訳（メタデータ） (2022-05-17T11:23:02Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
  小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。 本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。 本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
  論文  参考訳（メタデータ） (2020-05-20T06:43:41Z)

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。