論文の概要: Efficient Brain Extraction of MRI Scans with Mild to Moderate Neuropathology
- arxiv url: http://arxiv.org/abs/2602.08764v1
- Date: Mon, 09 Feb 2026 15:03:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.313923
- Title: Efficient Brain Extraction of MRI Scans with Mild to Moderate Neuropathology
- Title（参考訳）: 軽度神経病理に適応したMRIスキャンの高能率脳抽出
- Authors: Hjalti Thrastarson, Lotta M. Ellingsen,
- Abstract要約: 本稿では,T1重み付き画像を頑健かつ効率的に取り除く新しい手法を提案する。
我々は、符号付き距離変換(SDT)に基づく新しい損失関数を用いて、銀標準基底真理データに基づいて、U-netの修正版を訓練する。
本手法は,既存の脳の抽出技術に匹敵する性能を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skull stripping magnetic resonance images (MRI) of the human brain is an important process in many image processing techniques, such as automatic segmentation of brain structures. Numerous methods have been developed to perform this task, however, they often fail in the presence of neuropathology and can be inconsistent in defining the boundary of the brain mask. Here, we propose a novel approach to skull strip T1-weighted images in a robust and efficient manner, aiming to consistently segment the outer surface of the brain, including the sulcal cerebrospinal fluid (CSF), while excluding the full extent of the subarachnoid space and meninges. We train a modified version of the U-net on silver-standard ground truth data using a novel loss function based on the signed-distance transform (SDT). We validate our model both qualitatively and quantitatively using held-out data from the training dataset, as well as an independent external dataset. The brain masks used for evaluation partially or fully include the subarachnoid space, which may introduce bias into the comparison; nonetheless, our model demonstrates strong performance on the held-out test data, achieving a consistent mean Dice similarity coefficient (DSC) of 0.964$\pm$0.006 and an average symmetric surface distance (ASSD) of 1.4mm$\pm$0.2mm. Performance on the external dataset is comparable, with a DSC of 0.958$\pm$0.006 and an ASSD of 1.7$\pm$0.2mm. Our method achieves performance comparable to or better than existing state-of-the-art methods for brain extraction, particularly in its highly consistent preservation of the brain's outer surface. The method is publicly available on GitHub.
- Abstract（参考訳）: ヒト脳のスカルストリップ磁気共鳴画像(MRI)は、脳構造の自動セグメンテーションなどの多くの画像処理技術において重要なプロセスである。
この課題を実行するために多くの方法が開発されてきたが、神経病理学の存在下では失敗し、脳マスクの境界を定義するのに矛盾することがある。
そこで本研究では,脳脊髄液 (CSF) を含む脳表面を連続的に分画することを目的として, 頭蓋下腔と髄膜の全範囲を除外し, 頭部のT1強調像を頑健かつ効率的に抽出する手法を提案する。
我々は、符号付き距離変換(SDT)に基づく新しい損失関数を用いて、銀標準基底真理データに基づいて、U-netの修正版を訓練する。
トレーニングデータセットの保持データと独立した外部データセットを用いて、定性的かつ定量的にモデルを検証する。
評価のために用いられる脳マスクは, 偏差を生じさせるサブアラコノイド空間を含むが, 保持試験データに強い性能を示し, 平均Dice類似度係数(DSC)が0.964$\pm$0.006, 平均対称表面距離(ASSD)が1.4mm$\pm$0.2mmである。
外部データセットのパフォーマンスは0.958$\pm$0.006のDSCと1.7$\pm$0.2mmのASSDと同等である。
本手法は,脳表面の高度に一貫した保存において,既存の最先端の脳抽出法に匹敵する性能を達成する。
このメソッドはGitHubで公開されている。
関連論文リスト
- DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning [0.0]
Segment Anything Model (SAM)は、より正確で堅牢で汎用的なツールとして、幅広い脳の抽出とセグメンテーションの応用の可能性を秘めている。
我々はSAMを、様々な画像品質、MR配列、脳の病変が異なる脳領域に影響を及ぼす様々な脳スキャンにおいて、BETと呼ばれる、広く使われている現在の金の標準技術と比較した。
論文 参考訳（メタデータ） (2023-04-10T17:50:52Z) - Generative AI for Rapid Diffusion MRI with Improved Image Quality,
Reliability and Generalizability [3.6119644566822484]
我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。
成人健常者におけるHCPデータを用いた超解像実験を行った。
高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
論文 参考訳（メタデータ） (2023-03-10T03:39:23Z) - 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) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality
Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。
FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。
FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文 参考訳（メタデータ） (2022-01-22T02:50:29Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of
Brain Tumor Patients using Dense-Vnet [5.684776869811468]
全身脳抽出(ひゃく脳きゅうがく、英: Whole brain extract)は、頭蓋骨、眼球、皮膚などの非脳組織を神経画像から除去する過程である。
文献では頭蓋骨を剥がすアプローチが多用されているにもかかわらず、病理像、特に脳腫瘍のMRIの処理に十分な精度のものは少ない。
脳腫瘍患者におけるT1-weighted with Gadolinium contrast (T1Gd) やT2-weighted fluid attenuated inversion recovery (FLAIR) などの腫瘍学における共通MRIシークエンシングのための深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-04T03:18:43Z) - Bayesian convolutional neural network based MRI brain extraction on
nonhuman primates [2.2182171526013774]
最近の自動脳抽出法はヒトの脳に良い結果をもたらすが、ヒト以外の霊長類には満足できない。
深部ベイズ畳み込みニューラルネットワーク(CNN)と完全連結3次元条件付きランダムフィールド(CRF)を組み合わせた完全自動脳抽出パイプラインを提案する。
提案手法は,100個の非ヒト霊長類のT1w画像からなる手動脳抽出データセットを用いて評価した。
論文 参考訳（メタデータ） (2020-05-18T05:08:30Z)
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。