論文の概要: Reinforcing the Weakest Links: Modernizing SIENA with Targeted Deep Learning Integration

• arxiv url: http://arxiv.org/abs/2603.12951v1
• Date: Fri, 13 Mar 2026 12:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.08802
• Title: Reinforcing the Weakest Links: Modernizing SIENA with Targeted Deep Learning Integration
• Title（参考訳）: ウェイクストリンクの強化: ターゲットとしたディープラーニング統合によるSIENAの近代化
• Authors: Riccardo Raciti, Lemuel Puglisi, Francesco Guarnera, Daniele Ravì, Sebastiano Battiato,
• Abstract要約: SIENAは脳萎縮のバイオマーカーとして広く用いられている。 これは、古典的な画像処理ステップ、特に頭蓋骨の剥離と組織分節に依存している。 我々は,SIENAの確立と解釈可能な枠組みを保ちながら,対象とするディープラーニング代替がSIENAを改善できるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 4.16184304316315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Percentage Brain Volume Change (PBVC) derived from Magnetic Resonance Imaging (MRI) is a widely used biomarker of brain atrophy, with SIENA among the most established methods for its estimation. However, SIENA relies on classical image processing steps, particularly skull stripping and tissue segmentation, whose failures can propagate through the pipeline and bias atrophy estimates. In this work, we examine whether targeted deep learning substitutions can improve SIENA while preserving its established and interpretable framework. To this end, we integrate SynthStrip and SynthSeg into SIENA and evaluate three pipeline variants on the ADNI and PPMI longitudinal cohorts. Performance is assessed using three complementary criteria: correlation with longitudinal clinical and structural decline, scan-order consistency, and end-to-end runtime. Replacing the skull-stripping module yields the most consistent gains: in ADNI, it substantially strengthens associations between PBVC and multiple measures of disease progression relative to the standard SIENA pipeline, while across both datasets it markedly improves robustness under scan reversal. The fully integrated pipeline achieves the strongest scan-order consistency, reducing the error by up to 99.1%. In addition, GPU-enabled variants reduce execution time by up to 46% while maintaining CPU runtimes comparable to standard SIENA. Overall, these findings show that deep learning can meaningfully strengthen established longitudinal atrophy pipelines when used to reinforce their weakest image processing steps. More broadly, this study highlights the value of modularly modernizing clinically trusted neuroimaging tools without sacrificing their interpretability. Code is publicly available at https://github.com/Raciti/Enhanced-SIENA.git.
• Abstract（参考訳）: 磁気共鳴画像(MRI)から得られたPBVC(percentage Brain Volume Change)は脳萎縮のバイオマーカーとして広く用いられている。 しかし、SIENAは古典的な画像処理ステップ、特に頭蓋骨の剥離と組織分割に依存しており、その失敗はパイプラインを通して伝播し、バイアス萎縮を推定する。 本研究は,SIENAが確立し,解釈可能な枠組みを保ちながら,対象とするディープラーニング置換がSIENAを改善できるかどうかを検討するものである。 この目的のために、SynthStripとSynthSegをSIENAに統合し、ADNIおよびPPMI長手コホート上の3つのパイプライン変種を評価する。 3つの相補的基準(縦断的臨床と構造的低下の相関、スキャン順序の整合性、エンドツーエンドのランタイム)を用いて評価した。 ADNIでは、PBVCと標準的なSIENAパイプラインに対する複数の疾患進行の指標との関連性を大幅に強化し、両方のデータセット間でスキャン反転下での堅牢性を著しく改善する。 完全に統合されたパイプラインは、最強のスキャン順序整合性を実現し、エラーを最大99.1%削減する。 さらに、GPU対応の変種は、標準のSIENAに匹敵するCPUランタイムを維持しながら、実行時間を最大46%削減する。 これらの結果から, 深層学習は, 最も弱い画像処理ステップを強化するために, 確立された長手萎縮パイプラインを有意に強化できることが示された。 より広範に、この研究は、その解釈性を犠牲にすることなく、臨床的に信頼された神経画像ツールをモジュール化する価値を強調した。 コードはhttps://github.com/Raciti/Enhanced-SIENA.gitで公開されている。

関連論文リスト

• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
  マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:22:15Z)
• Improving Generalization in MRI-Based Deep Learning Models for Total Knee Replacement Prediction [0.6384218409986929]
  バッチ正規化をインスタンス正規化に置き換え、データ拡張を使用し、コントラスト損失を適用することにより、一般化が向上することを示す。 トレーニングと評価のために,OAIデータベースを用いたMRIデータを用いた。
  論文  参考訳（メタデータ） (2025-04-27T11:41:19Z)
• Benchmarking the Reproducibility of Brain MRI Segmentation Across Scanners and Time [0.0190469137058137]
  Dice, Surface Dice, Hausdorff Distance (HD95), Mean Absolute Percentage Error (MAPE) を用いたスキャン間セグメンテーション変動の定量化 この結果より, 扁桃体, 腹側ジエンセノンなどの小皮質の7～8%の容積変化が認められた。
  論文  参考訳（メタデータ） (2025-04-22T14:20:18Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining [1.0499611180329802]
  クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。 画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。 一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。 条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
  論文  参考訳（メタデータ） (2022-03-03T19:18:28Z)

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。