論文の概要: Segmentation of Ischemic Stroke Lesions using Transfer Learning on Multi-sequence MRI
- arxiv url: http://arxiv.org/abs/2511.07281v1
- Date: Mon, 10 Nov 2025 16:27:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.368381
- Title: Segmentation of Ischemic Stroke Lesions using Transfer Learning on Multi-sequence MRI
- Title（参考訳）: マルチシーケンスMRIにおけるトランスファーラーニングを用いた虚血性脳卒中病変の分別
- Authors: R. P. Chowdhury, T. Rahman,
- Abstract要約: 各種MRIで虚血性脳梗塞を自動的に分類するための新しい枠組みを提案する。
提案手法はISLES 2015 Brain Stroke シーケンスデータセットで検証されている。
我々の努力はDiceスコア80.5%、精度74.03%を達成し、セグメンテーションアプローチの有効性を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate understanding of ischemic stroke lesions is critical for efficient therapy and prognosis of stroke patients. Magnetic resonance imaging (MRI) is sensitive to acute ischemic stroke and is a common diagnostic method for stroke. However, manual lesion segmentation performed by experts is tedious, time-consuming, and prone to observer inconsistency. Automatic medical image analysis methods have been proposed to overcome this challenge. However, previous approaches have relied on hand-crafted features that may not capture the irregular and physiologically complex shapes of ischemic stroke lesions. In this study, we present a novel framework for quickly and automatically segmenting ischemic stroke lesions on various MRI sequences, including T1-weighted, T2-weighted, DWI, and FLAIR. The proposed methodology is validated on the ISLES 2015 Brain Stroke sequence dataset, where we trained our model using the Res-Unet architecture twice: first, with pre-existing weights, and then without, to explore the benefits of transfer learning. Evaluation metrics, including the Dice score and sensitivity, were computed across 3D volumes. Finally, a Majority Voting Classifier was integrated to amalgamate the outcomes from each axis, resulting in a comprehensive segmentation method. Our efforts culminated in achieving a Dice score of 80.5\% and an accuracy of 74.03\%, showcasing the efficacy of our segmentation approach.
- Abstract（参考訳）: 脳卒中患者の効率的な治療と予後には,虚血性脳梗塞の正確な理解が重要である。
MRIは急性虚血性脳梗塞に敏感であり、脳梗塞の一般的な診断法である。
しかし、専門家が行う手動の病変分割は退屈で、時間がかかり、不整合を観察する傾向がある。
この課題を克服するために,医療画像の自動解析手法が提案されている。
しかし、従来のアプローチは、不規則で生理学的に複雑な虚血性脳梗塞の形状を捉えない手作りの特徴に頼っていた。
本研究では,T1強調画像,T2強調画像,DWI画像,FLAIR画像など,様々なMRI領域の虚血性脳梗塞を迅速かつ自動的に分類するための新しい枠組みを提案する。
提案手法は、ISLES 2015 Brain Strokeシーケンスデータセットで検証され、Res-Unetアーキテクチャを使ってモデルを2回トレーニングしました。
Diceスコアと感度を含む評価指標を3Dボリュームで計算した。
最後に、各軸から得られる結果をアマルガメートするために、多数決投票分類器が統合され、包括的セグメンテーション法が得られた。
その結果, Dice スコア 80.5 %, 精度 74.03 % を達成し, セグメンテーション手法の有効性を示した。
関連論文リスト
- Deep Learning-Driven Segmentation of Ischemic Stroke Lesions Using Multi-Channel MRI [0.0]
本研究は,虚血性脳梗塞の分節化のための新しい深層学習法を提案する。
提案アーキテクチャは、DenseNet121をエンコーダとして、デコーダに自己組織化オペレーショナルニューラルネットワーク(ONN)を組み込む。
DWIだけで83.88%、DWIとADCで85.86%、DWI、ADC、eDWIの統合で87.49%のDice similarity Coefficients(DSC)を達成した。
論文 参考訳（メタデータ） (2025-01-04T13:38:06Z) - APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge [0.0]
APISはNCCTとADCによる急性虚血性脳卒中患者の最初のペアデータセットである。
第20回IEEE International Symposium on Biomedical Imaging 2023で発表された。
すべてのチームが専門的なディープラーニングツールを使用しているにも関わらず、NCCTの虚血性脳卒中セグメンテーションタスクは依然として困難である。
論文 参考訳（メタデータ） (2023-09-26T20:16:07Z) - Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
論文 参考訳（メタデータ） (2023-06-20T17:42:30Z) - ISLES 2022: A multi-center magnetic resonance imaging stroke lesion
segmentation dataset [36.278933802685316]
このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。
n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。
テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
論文 参考訳（メタデータ） (2022-06-14T08:54:40Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Combining unsupervised and supervised learning for predicting the final
stroke lesion [2.587975592408692]
90日後に最終脳卒中病変を予測するための完全自動深層学習法を提案する。
本研究の目的は、脳卒中の最終病変の位置と範囲を予測し、その予測に影響を与える脳血流動態を考慮に入れることである。
論文 参考訳（メタデータ） (2021-01-02T17:56:47Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - 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。