論文の概要: Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI

• arxiv url: http://arxiv.org/abs/2605.14221v1
• Date: Thu, 14 May 2026 00:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.553781
• Title: Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI
• Title（参考訳）: MRIにおけるヒト皮質下構造のランドマークに基づく自動セグメンテーション
• Authors: Ahmed Rekik, R. Jarrett Rushmore, Sylvain Bouix, Linda Marrakchi-Kacem,
• Abstract要約: 我々はハーバード大学のマニュアルセグメンテーションプロトコルであるOxford Atlasを明示的に模倣したランドマーク誘導型3D脳セグメンテーション手法を提案する。 Global-to-Localネットワークは、キーの皮質下参照ポイントを表す16のランドマークを自動的に検出する。 意味的セグメンテーションモデルは、12の解剖学的ラベルの粗いセグメンテーションを生成し、それぞれ複数の皮質下領域をグループ化する。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise segmentation of brain structures in magnetic resonance imaging (MRI) is essential for reliable neuroimaging analysis, yet voxel-wise deep models often yield anatomically inconsistent results that diverge from expert-defined boundaries. In this research, we propose a landmark-guided 3D brain segmentation approach that explicitly mimics the manual segmentation protocol of the Harvard--Oxford Atlas. A Global-to-Local network automatically detects 16 landmarks representing key subcortical reference points. Then, a semantic segmentation model produces a coarse segmentation of 12 anatomical labels, each grouping multiple subcortical regions. Finally, a landmark-driven post-processing step separates these 12 labels into 26 distinct structures by enforcing local anatomical constraints. Experimental results demonstrate consistent improvements in boundary accuracy. Overall, integrating learned landmarks aligns segmentations more closely with manual protocols.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)における脳構造の精密セグメンテーションは、信頼できる神経画像解析に不可欠であるが、ボクセルの深いモデルはしばしば、専門家が定義した境界から分岐する解剖学的に矛盾する結果をもたらす。 本研究では,ハーバード大学のマニュアルセグメンテーションプロトコル(Oxford Atlas)を明示的に模倣したランドマーク誘導型3D脳セグメンテーション手法を提案する。 Global-to-Localネットワークは、キーの皮質下参照ポイントを表す16のランドマークを自動的に検出する。 そして、意味的セグメンテーションモデルが12の解剖学的ラベルの粗いセグメンテーションを生成し、それぞれが複数の皮質下領域をグループ化する。 最後に、ランドマーク駆動の後処理ステップは、これらの12のラベルを、局所的な解剖学的制約を強制することによって、26の異なる構造に分離する。 実験により境界精度が一貫した改善が示された。 全体として、学習されたランドマークの統合は、セグメンテーションを手作業のプロトコルとより密接に整合させる。

関連論文リスト

• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• High-resolution segmentations of the hypothalamus and its subregions for training of segmentation models [1.0486773259892048]
  HELM, hypothalamic ex vivo Label Mapsは10個の半球から利用可能な超高解像度の生体外MRIから構築されたラベルマップからなるデータセットである。 視床下部領域のマニュアルラベルと脳の残りの部分の自動セグメンテーションを組み合わせることで、脳全体をシミュレートする。
  論文  参考訳（メタデータ） (2024-06-27T19:16:57Z)
• Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
  トポロジカルデータ解析(TDA)に基づくMRIスキャンのセグメンテーションのための新しいフレームワークを提案する。 パイプラインは3つのステップで進み、まずオブジェクト全体を自動しきい値によってセグメントに識別し、次に事前にトポロジが知られている固有のサブセットを検出し、最後にセグメンテーションの様々なコンポーネントを推論する。 脳MRIにおけるグリオ芽腫の分画、心筋MRIにおける心筋、シリンダー形成、胎児脳MRIにおける皮質プレート検出の3つの応用について検討した。
  論文  参考訳（メタデータ） (2024-01-02T11:43:49Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Unsupervised Region-based Anomaly Detection in Brain MRI with Adversarial Image Inpainting [4.019851137611981]
  本稿では,T1強調MRIのための完全自動非教師付き印字型脳腫瘍分割システムを提案する。 まず、Deep Convolutional Neural Network(DCNN)をトレーニングし、行方不明の健常な脳の領域を再構築する。 提案システムでは, 種々の腫瘍と抽象腫瘍を分離し, 平均偏差Diceスコアが0.176, 0.771, 標準偏差Diceスコアが得られた。
  論文  参考訳（メタデータ） (2020-10-05T12:13:44Z)
• LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
  セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。 提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。 我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
  論文  参考訳（メタデータ） (2020-07-09T23:17:40Z)
• 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。