論文の概要: Automated Segmentation of Coronal Brain Tissue Slabs for 3D Neuropathology
- arxiv url: http://arxiv.org/abs/2508.09805v1
- Date: Wed, 13 Aug 2025 13:40:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.907313
- Title: Automated Segmentation of Coronal Brain Tissue Slabs for 3D Neuropathology
- Title（参考訳）: 3Dニューロパシーのための冠状脳組織スラブの自動分割
- Authors: Jonathan Williams Ramirez, Dina Zemlyanker, Lucas Deden-Binder, Rogeny Herisse, Erendira Garcia Pallares, Karthik Gopinath, Harshvardhan Gazula, Christopher Mount, Liana N. Kozanno, Michael S. Marshall, Theresa R. Connors, Matthew P. Frosch, Mark Montine, Derek H. Oakley, Christine L. Mac Donald, C. Dirk Keene, Bradley T. Hyman, Juan Eugenio Iglesias,
- Abstract要約: 画像から脳組織のセグメンテーションを自動化する深層学習モデルを提案する。
平均表面距離は0.4mm以下で,Hausdorffは1.60mm以下で, 平均表面距離は0.98以上であった。
- 参考スコア（独自算出の注目度）: 2.0683701618495265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in image registration and machine learning have recently enabled volumetric analysis of \emph{postmortem} brain tissue from conventional photographs of coronal slabs, which are routinely collected in brain banks and neuropathology laboratories worldwide. One caveat of this methodology is the requirement of segmentation of the tissue from photographs, which currently requires costly manual intervention. In this article, we present a deep learning model to automate this process. The automatic segmentation tool relies on a U-Net architecture that was trained with a combination of \textit{(i)}1,414 manually segmented images of both fixed and fresh tissue, from specimens with varying diagnoses, photographed at two different sites; and \textit{(ii)}~2,000 synthetic images with randomized contrast and corresponding masks generated from MRI scans for improved generalizability to unseen photographic setups. Automated model predictions on a subset of photographs not seen in training were analyzed to estimate performance compared to manual labels -- including both inter- and intra-rater variability. Our model achieved a median Dice score over 0.98, mean surface distance under 0.4~mm, and 95\% Hausdorff distance under 1.60~mm, which approaches inter-/intra-rater levels. Our tool is publicly available at surfer.nmr.mgh.harvard.edu/fswiki/PhotoTools.
- Abstract（参考訳）: 画像登録と機械学習の進歩により、世界中の脳バンクや神経病理研究所で定期的に収集される従来の冠動脈スラブの写真から、emph{postmortem} 脳組織の容積解析が可能になった。
この方法論の1つの欠点は、現在手作業による介入を必要とする写真から組織を分断することである。
本稿では,このプロセスを自動化するためのディープラーニングモデルを提案する。
自動セグメンテーションツールは、‘textit{’の組み合わせでトレーニングされたU-Netアーキテクチャに依存している。
(i)}1,414手動で2つの異なる場所で撮影された異種診断標本から固定組織と新鮮組織の両方を分離した画像、および \textit{
ランダムなコントラストとそれに対応するマスクをMRIスキャンで生成した合成画像2000枚を合成し,画像設定の一般化性を向上した。
トレーニングで見えない写真のサブセットに関する自動モデル予測を解析し、手動ラベルと比較してパフォーマンスを推定した。
平均表面距離は0.4～mm以下で,Hausdorffは1.60～mm以下で95\%であり, 層間・層間比は0.98以上であった。
当社のツールはwather.nmr.mgh.harvard.edu/fswiki/PhotoToolsで公開されています。
関連論文リスト
- Automated quality assessment using appearance-based simulations and hippocampus segmentation on low-field paediatric brain MR images [0.06269281581001895]
1) 自動品質保証と2) 海馬のセグメンテーションの2つの課題について検討し, 複数のアプローチを比較した。
自動品質保証タスクでは、DenseNetと外観ベースの変換を組み合わせることで、82.3%の重み付け精度で最高のパフォーマンスを実現した。
以上の結果から, 画像は大規模病理と大規模解剖学的発達の理解を提供することができるが, より粒度の細かい解析には依然として障壁が残っていることが示唆された。
論文 参考訳（メタデータ） (2024-10-08T16:07:30Z) - Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks [0.0]
断面画像から溶融トラック次元を自動的に識別し,計測する画像分割ニューラルネットワークを提案する。
我々は、U-Netアーキテクチャを用いて、異なる研究室、機械、材料から得られた62個の事前ラベル付き画像のデータセットと、画像拡張を併用したトレーニングを行う。
論文 参考訳（メタデータ） (2024-09-26T22:44:00Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - 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) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Quantifying the Scanner-Induced Domain Gap in Mitosis Detection [8.09551131543818]
異なるスライドスキャナを用いて導入したドメインシフトに対する標準トポトーシス検出手法の感受性を評価する。
本研究は, 生物化学的変動ではなく, 純粋に取得装置の選択によるドメインシフトが過小評価されていることを示す。
論文 参考訳（メタデータ） (2021-03-30T17:17:25Z) - Fully automated analysis of muscle architecture from B-mode ultrasound
images with deep learning [0.0]
我々は深部神経回路を訓練し,ラベル付き筋骨格超音波画像を用いて筋線維とアポニューロオースを検出する。
手動解析と2つの既存の半自動解析手法を用いて得られた画像と比較した。
本手法は完全に自動化され,オープンソースであり,単一画像やビデオから筋長,陰茎角,筋厚を推定できる。
論文 参考訳（メタデータ） (2020-09-10T11:44:00Z)
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。