論文の概要: Deep infant brain segmentation from multi-contrast MRI

• arxiv url: http://arxiv.org/abs/2512.05114v1
• Date: Thu, 04 Dec 2025 18:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.342025
• Title: Deep infant brain segmentation from multi-contrast MRI
• Title（参考訳）: マルチコントラストMRIによる乳幼児脳の深部分画
• Authors: Malte Hoffmann, Lilla Zöllei, Adrian V. Dalca,
• Abstract要約: 幼児・幼児のための深層学習脳セグメンテーションフレームワークであるBabySegを開発した。 BabySegは、トレーニング中に使用できないリピートスキャンやイメージタイプなど、さまざまなMRIプロトコルをサポートする。 いくつかの既存手法の精度に適合または超える最先端性能を実証する。
• 参考スコア（独自算出の注目度）: 9.47725782538802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of magnetic resonance images (MRI) facilitates analysis of human brain development by delineating anatomical structures. However, in infants and young children, accurate segmentation is challenging due to development and imaging constraints. Pediatric brain MRI is notoriously difficult to acquire, with inconsistent availability of imaging modalities, substantial non-head anatomy in the field of view, and frequent motion artifacts. This has led to specialized segmentation models that are often limited to specific image types or narrow age groups, or that are fragile for more variable images such as those acquired clinically. We address this method fragmentation with BabySeg, a deep learning brain segmentation framework for infants and young children that supports diverse MRI protocols, including repeat scans and image types unavailable during training. Our approach builds on recent domain randomization techniques, which synthesize training images far beyond realistic bounds to promote dataset shift invariance. We also describe a mechanism that enables models to flexibly pool and interact features from any number of input scans. We demonstrate state-of-the-art performance that matches or exceeds the accuracy of several existing methods for various age cohorts and input configurations using a single model, in a fraction of the runtime required by many existing tools.
• Abstract（参考訳）: 磁気共鳴画像(MRI)のセグメンテーションは、解剖学的構造を記述することによって、人間の脳の発達を分析するのに役立つ。 しかし、幼児や幼児の発達や画像の制約により、正確なセグメンテーションが困難である。 小児脳MRIは、画像モダリティの不整合性、視野における実質的な非頭部解剖、頻繁な運動アーティファクトなど、取得が難しいことで知られている。 これにより、特定の画像タイプや狭い年齢層に限られる特殊なセグメンテーションモデルや、臨床で取得したようなより多様な画像に対して脆弱なセグメンテーションモデルがもたらされた。 本研究では, 乳幼児と幼児の脳の深層分類フレームワークであるBabySegを用いて, 繰り返しスキャンや画像タイプを訓練中に利用できないようなMRIプロトコルを多種多様なMRIプロトコルでサポートした。 提案手法は、データセットシフトの不変性を促進するために、現実的な境界を超える訓練画像を合成する、最近の領域ランダム化技術に基づいている。 また、モデルが任意の入力スキャンから柔軟に機能をプールし、相互作用できるようにするメカニズムについても述べる。 本稿では,多数の既存ツールが必要とするランタイムのごく一部で,様々な年齢コホートや入力設定のための既存メソッドの精度に適合する,最先端のパフォーマンスを示す。

関連論文リスト

• Rewiring Development in Brain Segmentation: Leveraging Adult Brain Priors for Enhancing Infant MRI Segmentation [0.14777718769290524]
  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。
  論文  参考訳（メタデータ） (2025-10-10T11:55:43Z)
• Modality-Agnostic Input Channels Enable Segmentation of Brain lesions in Multimodal MRI with Sequences Unavailable During Training [4.672822120456554]
  マルチモーダル脳MRIのほとんどのセグメンテーションモデルは固定モードに制限されている。 いくつかのモデルは、目に見えないモダリティに一般化するが、モダリティ固有の情報を失う可能性がある。 本研究の目的は、トレーニング中に見えない画像のモダリティを含むデータに対して推論を行うモデルを開発することである。
  論文  参考訳（メタデータ） (2025-09-11T09:25:30Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• An Ensemble Approach for Brain Tumor Segmentation and Synthesis [0.12777007405746044]
  磁気共鳴イメージング(MRI)における機械学習の統合は、信じられないほど効果的であることが証明されている。 ディープラーニングモデルは、複雑なデータの複雑な詳細をキャプチャするために、複数の処理層を利用する。 本稿では,最先端アーキテクチャを組み込んだディープラーニングフレームワークを提案し,精度の高いセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:51Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors [0.41998444721319217]
  本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。 足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
  論文  参考訳（メタデータ） (2022-07-27T12:59:16Z)

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。