論文の概要: Attention-Based Segmentation of WMHs and Differentiation of Vascular vs. Demyelinating Lesions

• arxiv url: http://arxiv.org/abs/2607.08171v1
• Date: Thu, 09 Jul 2026 07:17:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.434788
• Title: Attention-Based Segmentation of WMHs and Differentiation of Vascular vs. Demyelinating Lesions
• Title（参考訳）: WMHの注意ベースセグメンテーションと血管と脱髄病変の鑑別
• Authors: Aina Tur-Serrano, Gabriel Moyà-Alcover, Francisco J. Perales López,
• Abstract要約: ホワイトマターハイパーインテンシティ(WMHs)は、脳磁気共鳴イメージング(MRI)スキャンで一般的に見られる。 退行法の違いにもかかわらず、これらの条件からのWMHはFLAIR(Fluid Attenuated Inversion Recovery)画像によく似ている。 注意に基づくセグメンテーションと特徴駆動型分類の併用の可能性を強調した。
• 参考スコア（独自算出の注目度）: 1.0896567381206717
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: White Matter Hyperintensities (WMHs) are commonly observed in brain Magnetic Resonance Imaging (MRI) scans. They are associated with various neurological conditions, including vascular and inflammatory demyelinating diseases. Despite differing in etiology, WMHs from these conditions often appear similar on Fluid Attenuated Inversion Recovery (FLAIR) images. This similarity makes differential diagnosis challenging. In this work, we highlight the potential of combining attention-based segmentation with feature-driven classification. This approach supports more accurate and efficient classification between vascular and demyelinating white matter pathologies. For segmentation, we evaluate the effectiveness of attention mechanisms, specifically the Bottleneck Attention Module (BAM) and the Convolutional Block Attention Module (CBAM). We also test different architectures, particularly Attention U-Net. In addition, we explore advanced training strategies, such as patch-based learning and a 2.5D approach, to enhance lesion detection. After segmentation, we extract morphological features from the lesion masks. We then use them to classify WMHs based on their underlying cause. Our experiments utilize five publicly available datasets with diverse imaging protocols to promote model generalizability, despite limited sample sizes. The results suggest that attention-based segmentation and feature-driven classification offer a promising direction for discriminating vascular and demyelinating white matter lesions. Further validation in larger clinical cohorts is still needed.
• Abstract（参考訳）: ホワイトマターハイパーインテンシティ(WMHs)は、脳磁気共鳴イメージング(MRI)スキャンで一般的に見られる。 血管疾患や炎症性脱髄疾患など、様々な神経疾患と関連している。 退行法の違いにもかかわらず、これらの条件からのWMHはFLAIR(Fluid Attenuated Inversion Recovery)画像によく似ている。 この類似性により、鑑別診断は困難である。 本研究では,注目に基づくセグメンテーションと特徴駆動型分類の併用の可能性を強調した。 このアプローチは、より正確で効率的な血管および脱髄性白質病変の分類を支援する。 セグメンテーションでは,特にBottleneck Attention Module (BAM) と Convolutional Block Attention Module (CBAM) の有効性を評価する。 また、異なるアーキテクチャ、特に注意U-Netもテストしています。 さらに、パッチベースの学習や2.5Dアプローチといった高度なトレーニング戦略を探求し、病変検出を強化する。 切除後,病変マスクから形態学的特徴を抽出した。 次に、その根本原因に基づいてWMHを分類する。 実験では,サンプルサイズに制限があるにもかかわらず,多種多様な画像プロトコルを備えた5つの公開データセットを用いてモデル一般化性を促進する。 以上の結果から,注意に基づくセグメンテーションと特徴駆動型分類は,血管および脱髄性白質病変の鑑別に有望な方向を示すことが示唆された。 より大きな臨床コホートに対するさらなる検証は依然として必要である。

関連論文リスト

• Motion-Guided Causal Disentanglement for Robust Multi-View Cine Cardiac MRI Diagnosis [0.4638331367650009]
  本稿では,ViT-MAEバックボーン上に構築したMoViDフレームワークを提案する。 プライベートな臨床静脈血栓症データセットと2つの公開ベンチマークの枠組みについて検討した。
  論文  参考訳（メタデータ） (2026-06-03T03:45:11Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• Comparative evaluation of training strategies using partially labelled datasets for segmentation of white matter hyperintensities and stroke lesions in FLAIR MRI [0.5189794091596077]
  虚血性脳梗塞(ISL)とWMHは脳小血管疾患(SVD)に関連する画像像である これらの特徴を分断して区別するためのディープラーニングモデルの開発と検証は、視覚的に相違するため困難である。 部分ラベル付きデータを用いて,WMHとISLのセグメンテーションモデルの組み合わせを訓練するための6つの方法を検討した。
  論文  参考訳（メタデータ） (2026-01-28T11:27:13Z)
• SD-RetinaNet: Topologically Constrained Semi-Supervised Retinal Lesion and Layer Segmentation in OCT [5.409364353574134]
  完全微分可能なバイオマーカートポロジエンジンを導入した新しい半教師付きモデルを提案する。 我々のモデルは、空間的要素とスタイル要素を分離して、不整合表現を学習する。 我々は,OCTスキャンの公開および内部データセット上で提案したモデルを評価し,病変と層分断の双方において現状よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-09-25T07:56:38Z)
• Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection [35.46541584018842]
  非教師なし異常検出(UAD)は、病理分類の有効な代替手段として現れる。 近年のUAD異常スコアリング機能は、強度のみに焦点を合わせ、構造的差異を無視することが多く、セグメンテーション性能を損なう。 構造的類似性(SSIM)は強度と構造的格差の両方を捉え、古典的な$l1$エラーよりも有利である。
  論文  参考訳（メタデータ） (2024-03-21T09:50:39Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI [3.0681909921734416]
  認知症早期発見は支援戦略の発達において重要な役割を担っている。 視覚的バイオマーカーを用いてFazekasスケールに基づいて疾患の重症度を分類することを提案する。 MRIスタック全体に重症度ラベルを割り当てる形での小さなトレーニングサンプルサイズと弱い監督は、主な課題の一つです。
  論文  参考訳（メタデータ） (2021-03-18T07:33:57Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)

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。