論文の概要: Understanding Benefits and Pitfalls of Current Methods for the Segmentation of Undersampled MRI Data

• arxiv url: http://arxiv.org/abs/2508.18975v1
• Date: Tue, 26 Aug 2025 12:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.834758
• Title: Understanding Benefits and Pitfalls of Current Methods for the Segmentation of Undersampled MRI Data
• Title（参考訳）: アンダーサンプルMRIデータのセグメンテーションにおける現在の方法の利点と落とし穴の理解
• Authors: Jan Nikolas Morshuis, Matthias Hein, Christian F. Baumgartner,
• Abstract要約: 本稿では,7つのアプローチを比較したアンダーサンプルMRIデータのセグメンテーションのための,最初の統一されたベンチマークを提供する。 提案手法は,マルチコイルk空間データを含む2つのMRIデータセットと,人間による注釈付きセグメンテーショングラウンドトラスを用いて検証する。
• 参考スコア（独自算出の注目度）: 13.289624718860539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MR imaging is a valuable diagnostic tool allowing to non-invasively visualize patient anatomy and pathology with high soft-tissue contrast. However, MRI acquisition is typically time-consuming, leading to patient discomfort and increased costs to the healthcare system. Recent years have seen substantial research effort into the development of methods that allow for accelerated MRI acquisition while still obtaining a reconstruction that appears similar to the fully-sampled MR image. However, for many applications a perfectly reconstructed MR image may not be necessary, particularly, when the primary goal is a downstream task such as segmentation. This has led to growing interest in methods that aim to perform segmentation directly on accelerated MRI data. Despite recent advances, existing methods have largely been developed in isolation, without direct comparison to one another, often using separate or private datasets, and lacking unified evaluation standards. To date, no high-quality, comprehensive comparison of these methods exists, and the optimal strategy for segmenting accelerated MR data remains unknown. This paper provides the first unified benchmark for the segmentation of undersampled MRI data comparing 7 approaches. A particular focus is placed on comparing \textit{one-stage approaches}, that combine reconstruction and segmentation into a unified model, with \textit{two-stage approaches}, that utilize established MRI reconstruction methods followed by a segmentation network. We test these methods on two MRI datasets that include multi-coil k-space data as well as a human-annotated segmentation ground-truth. We find that simple two-stage methods that consider data-consistency lead to the best segmentation scores, surpassing complex specialized methods that are developed specifically for this task.
• Abstract（参考訳）: MR画像は、患者解剖学や病理学を非侵襲的に可視化し、高いソフト・コントラストで診断する貴重なツールである。 しかし、MRIの取得は一般的に時間を要するため、患者の不快感と医療システムに対するコストの増加につながる。 近年,MRI画像の完全サンプル化に類似した再現性を確保しつつ,MRIの獲得を加速させる手法の開発に多大な研究努力が続けられている。 しかし、多くのアプリケーションでは、特にセグメンテーションのような下流タスクが第一の目的である場合、完全に再構成されたMR画像は必要ないかもしれない。 これにより、加速MRIデータ上でセグメント化を直接実行することを目的とした手法への関心が高まっている。 最近の進歩にもかかわらず、既存の手法は独立して開発され、直接比較することなく、しばしば独立したデータセットやプライベートデータセットを使用し、統一された評価基準が欠如している。 現在、これらの手法の高品質で包括的な比較は行われておらず、高速化されたMRデータのセグメンテーションのための最適戦略はいまだに不明である。 本稿では,7つのアプローチを比較したアンダーサンプルMRIデータのセグメンテーションのための,最初の統一されたベンチマークを提供する。 特に、再構成とセグメンテーションを統一モデルに組み合わせた \textit{one-stage approach} と、確立したMRI再構成手法を使用した \textit{two-stage approach} の比較に重点を置いている。 提案手法は,マルチコイルk空間データを含む2つのMRIデータセットと,人間による注釈付きセグメンテーショングラウンドトラスを用いて検証する。 データ一貫性を考慮に入れた単純な2段階の手法は、このタスクのために特別に開発された複雑な特殊な手法を超越して、最高のセグメンテーションスコアにつながる。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• 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)

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。