論文の概要: Rewiring Development in Brain Segmentation: Leveraging Adult Brain Priors for Enhancing Infant MRI Segmentation

• arxiv url: http://arxiv.org/abs/2510.09306v1
• Date: Fri, 10 Oct 2025 11:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.887402
• Title: Rewiring Development in Brain Segmentation: Leveraging Adult Brain Priors for Enhancing Infant MRI Segmentation
• Title（参考訳）: 脳セグメント化における発達の転換--乳児MRIセグメント化の促進に向けた成人脳プリセットの活用
• Authors: Alemu Sisay Nigru, Michele Svanera, Austin Dibble, Connor Dalby, Mattia Savardi, Sergio Benini,
• Abstract要約: 乳児検診のセグメンテーション性能を向上させるために、成人脳MRIのセグメンテーションモデルから事前知識を利用する新しいフレームワークであるLODiを提案する。 以上の結果から,成人脳の前頭葉を年齢順応性神経画像解析の基礎として活用することの利点が明らかとなった。
• 参考スコア（独自算出の注目度）: 0.14777718769290524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of infant brain MRI is critical for studying early neurodevelopment and diagnosing neurological disorders. Yet, it remains a fundamental challenge due to continuously evolving anatomy of the subjects, motion artifacts, and the scarcity of high-quality labeled data. In this work, we present LODi, a novel framework that utilizes prior knowledge from an adult brain MRI segmentation model to enhance the segmentation performance of infant scans. Given the abundance of publicly available adult brain MRI data, we pre-train a segmentation model on a large adult dataset as a starting point. Through transfer learning and domain adaptation strategies, we progressively adapt the model to the 0-2 year-old population, enabling it to account for the anatomical and imaging variability typical of infant scans. The adaptation of the adult model is carried out using weakly supervised learning on infant brain scans, leveraging silver-standard ground truth labels obtained with FreeSurfer. By introducing a novel training strategy that integrates hierarchical feature refinement and multi-level consistency constraints, our method enables fast, accurate, age-adaptive segmentation, while mitigating scanner and site-specific biases. Extensive experiments on both internal and external datasets demonstrate the superiority of our approach over traditional supervised learning and domain-specific models. Our findings highlight the advantage of leveraging adult brain priors as a foundation for age-flexible neuroimaging analysis, paving the way for more reliable and generalizable brain MRI segmentation across the lifespan.
• Abstract（参考訳）: 乳児の脳MRIの正確なセグメンテーションは、早期の神経発達と神経疾患の診断に重要である。 しかし、被験者の解剖学、運動アーティファクト、高品質なラベル付きデータの不足により、これは依然として根本的な課題である。 本研究では,成人脳MRIのセグメント化モデルから事前知識を活用し,乳幼児スキャンのセグメント化性能を向上させる新しいフレームワークであるLODiを提案する。 一般に入手可能な成人脳MRIデータが豊富にあることを考慮し,大規模な成人データセットのセグメンテーションモデルを出発点として事前訓練する。 移行学習とドメイン適応戦略により,0～2歳層に段階的にモデルを適応させ,乳幼児スキャンに典型的な解剖学的・画像学的多様性を考慮に入れた。 成人モデルの適応は、幼児脳スキャンにおける弱い教師付き学習を用いて行われ、FreeSurferで得られた銀標準基底真理ラベルを活用する。 階層的特徴改善と多段階整合性制約を統合した新たなトレーニング戦略を導入することにより,スキャナとサイト固有のバイアスを緩和しつつ,高速かつ正確で,年齢適応的なセグメンテーションを可能にする。 内部および外部両方のデータセットに対する大規模な実験は、従来の教師付き学習やドメイン固有モデルよりも、我々のアプローチの優位性を示している。 以上の結果から,成人脳の前頭葉を年齢順応性神経画像解析の基礎として活用することの利点が明らかとなった。

関連論文リスト

• Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
  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。
  論文  参考訳（メタデータ） (2025-08-06T15:07:39Z)
• Robust brain age estimation from structural MRI with contrastive learning [8.439245091011358]
  脳の年齢を構造MRIから推定することは、規範的および病理的老化を特徴づける強力なツールとして現れている。 我々は、新しい対照的な損失関数である$mathcalLexp$を導入し、それを複数の公開ニューロイメージングデータセットで評価する。
  論文  参考訳（メタデータ） (2025-07-02T15:18:03Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• 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)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• 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)

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。