論文の概要: Enhancing Corpus Callosum Segmentation in Fetal MRI via Pathology-Informed Domain Randomization

• arxiv url: http://arxiv.org/abs/2508.20475v1
• Date: Thu, 28 Aug 2025 06:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.138477
• Title: Enhancing Corpus Callosum Segmentation in Fetal MRI via Pathology-Informed Domain Randomization
• Title（参考訳）: 病態インフォームドドメインランダム化による胎児MRIにおけるコーパス・カロサム・セグメンテーションの増強
• Authors: Marina Grifell i Plana, Vladyslav Zalevskyi, Léa Schmidt, Yvan Gomez, Thomas Sanchez, Vincent Dunet, Mériam Koob, Vanessa Siffredi, Meritxell Bach Cuadra,
• Abstract要約: 本稿では,CCDの先行知識を合成データ生成パイプラインに組み込む,病理情報を用いた領域ランダム化手法を提案する。 健常児248例, CCD26例, その他の脳疾患47例からなるコホートを用いて本法の有効性を検討した。 CCDサブタイプを識別する上での有用性を示すために, 臨床に関係のあるLCC (corpus callosum length) や容積などのバイオマーカーを導出する。
• 参考スコア（独自算出の注目度）: 0.34517349622965704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fetal brain segmentation is crucial for extracting biomarkers and assessing neurodevelopment, especially in conditions such as corpus callosum dysgenesis (CCD), which can induce drastic anatomical changes. However, the rarity of CCD severely limits annotated data, hindering the generalization of deep learning models. To address this, we propose a pathology-informed domain randomization strategy that embeds prior knowledge of CCD manifestations into a synthetic data generation pipeline. By simulating diverse brain alterations from healthy data alone, our approach enables robust segmentation without requiring pathological annotations. We validate our method on a cohort comprising 248 healthy fetuses, 26 with CCD, and 47 with other brain pathologies, achieving substantial improvements on CCD cases while maintaining performance on both healthy fetuses and those with other pathologies. From the predicted segmentations, we derive clinically relevant biomarkers, such as corpus callosum length (LCC) and volume, and show their utility in distinguishing CCD subtypes. Our pathology-informed augmentation reduces the LCC estimation error from 1.89 mm to 0.80 mm in healthy cases and from 10.9 mm to 0.7 mm in CCD cases. Beyond these quantitative gains, our approach yields segmentations with improved topological consistency relative to available ground truth, enabling more reliable shape-based analyses. Overall, this work demonstrates that incorporating domain-specific anatomical priors into synthetic data pipelines can effectively mitigate data scarcity and enhance analysis of rare but clinically significant malformations.
• Abstract（参考訳）: 正確な胎児脳セグメンテーションは、バイオマーカーの抽出と神経発達の評価、特に劇的な解剖学的変化を引き起こすコーパス・カロサム・ダイジェネシス(CCD)のような条件において重要である。 しかし、CCDの希少性は注釈付きデータを著しく制限し、ディープラーニングモデルの一般化を妨げる。 そこで本研究では,CCDマニフェストの事前知識を合成データ生成パイプラインに組み込む手法を提案する。 健康なデータのみから脳の多様な変化をシミュレートすることで,病理学的アノテーションを必要とせず,堅牢なセグメンテーションを可能にした。 健常児248例, CCD26例, その他の脳疾患47例からなるコホートを用いて, 健常児および他の病状児の成績を維持しながら, CCD症例に有意な改善が得られた。 予測されたセグメンテーションから,CCDサブタイプの識別に有用であるコーパスカロサムの長さ (LCC) や体積などの臨床的に関連のあるバイオマーカーを導出する。 病理検査ではLCC推定誤差が1.89mmから0.80mmに減少し,CCDでは10.9mmから0.7mmに低下した。 これらの量的ゲインの他に、我々の手法は、利用可能な地平に対する位相的整合性を改善したセグメンテーションを導き、より信頼性の高い形状解析を可能にする。 全体として、この研究は、ドメイン固有の解剖学的前駆体を合成データパイプラインに組み込むことで、データの不足を効果的に軽減し、稀だが臨床的に重要な奇形の分析を強化することを実証している。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Pathological MRI Segmentation by Synthetic Pathological Data Generation in Fetuses and Neonates [0.2595862142227317]
  Fetal&Neonatal-DDPMは, セマンティックラベル画像から高品質な合成病理学的胎児・新生児MRIを生成するために設計された, 新しい拡散モデルフレームワークである。 Fetal/Neonatal-DDPMを用いて,これらの画像から現実的な病理MRIを合成する。 放射線医は、合成MRIは、実際のMRIと比較して、品質と診断値がかなり優れていると評価した。
  論文  参考訳（メタデータ） (2025-01-31T17:36:24Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• RCdpia: A Renal Carcinoma Digital Pathology Image Annotation dataset based on pathologists [14.79279940958727]
  腫瘍領域と隣接領域(RCdpia)を個別にラベル付けしたTCGAデジタル病理データセットを作成した。 このデータセットはhttp://39.171.241.18:8888/RCdpia/で公開されている。
  論文  参考訳（メタデータ） (2024-03-17T13:23:25Z)
• Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation [10.466349398419846]
  本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。 本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。 我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-14T07:21:46Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。