論文の概要: A Configurable Privacy-Preserving MRI Processing Workflow Using Deep Learning-Based Brain Extraction and Adaptive Anatomical Preservation
- arxiv url: http://arxiv.org/abs/2608.18316v1
- Date: Tue, 18 Aug 2026 20:59:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.207561
- Title: A Configurable Privacy-Preserving MRI Processing Workflow Using Deep Learning-Based Brain Extraction and Adaptive Anatomical Preservation
- Title（参考訳）: 深層学習に基づく脳の抽出と適応的解剖学的保存を用いた設定可能なプライバシ保存MRI処理ワークフロー
- Authors: Rayeef Ali Khan, Komal Raj Mahantesh,
- Abstract要約: 本稿では、深層学習に基づく脳の抽出を拡張するプライバシー保護型MRI処理ワークフローを提案する。
このワークフローでは、自動脳抽出にSynthStripを使用し、次いで形態的マスク拡張によってシェルベースの保存レベルを生成する。
Interactive Preservation Frameworkを使えば、ユーザーは保存設定を比較し、適切な出力を選択することができる。
統合品質管理フレームワークは、マルチプレーンの可視化とブレインマスクオーバーレイ検証を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structural Magnetic Resonance Imaging (MRI) is widely used in neuroimaging research and clinical practice, but structural MRI volumes may retain facial and cranial anatomical information that raises privacy concerns. Existing deep learning-based brain extraction methods generally produce a single fixed output, limiting flexibility when different applications require different balances between privacy and anatomical preservation. This paper presents a configurable privacy-preserving MRI processing workflow that extends deep learning-based brain extraction through adaptive anatomical preservation, interactive preservation selection, and integrated quality control. The workflow employs SynthStrip for automated brain extraction, followed by morphological mask expansion to generate configurable shell-based preservation levels. An Interactive Preservation Framework enables users to compare preservation configurations and select an appropriate output, while an integrated Quality Control Framework provides multi-plane visualisation and brain-mask overlay verification. The workflow was implemented in Python using open-source neuroimaging libraries within the Renku reproducible research environment and evaluated using structural T1-weighted MRI data from the publicly available IXI dataset. Experimental results demonstrate anatomically plausible brain extraction and configurable preservation outputs, supported by systematic visual verification. The principal contribution is a modular and reproducible MRI preprocessing framework that enhances deep learning-based brain extraction with configurable anatomical preservation, interactive user-guided processing, and integrated quality control. The workflow provides a practical foundation for privacy-oriented neuroimaging research and collaborative medical image analysis.
- Abstract（参考訳）: 構造MRI(Structure Magnetic Resonance Imaging)は、神経画像研究や臨床実践に広く用いられているが、構造MRIのボリュームは、プライバシの懸念を引き起こす顔や頭蓋解剖情報を保持できる可能性がある。
既存のディープラーニングベースの脳抽出手法は、一般的に単一の固定出力を生成し、異なるアプリケーションがプライバシと解剖学的保存の異なるバランスを必要とする場合、柔軟性を制限する。
本稿では, 適応型解剖学保存, インタラクティブな保存選択, 統合された品質管理を通じて, 深層学習に基づく脳の抽出を拡張可能な, 設定可能なプライバシ保存型MRI処理ワークフローを提案する。
このワークフローでは、自動脳抽出にSynthStripを使用し、次いで形態的マスク拡張により、設定可能なシェルベースの保存レベルを生成する。
Interactive Preservation Frameworkにより、ユーザーは保存構成を比較して適切な出力を選択することができ、Quality Control Frameworkはマルチプレーンの可視化とブレインマスクオーバーレイ検証を提供する。
このワークフローは、Renku再現性研究環境内のオープンソースのニューロイメージングライブラリを使用してPythonで実装され、公開されているIXIデータセットから構造的T1強調MRIデータを用いて評価された。
実験により、解剖学的に妥当な脳の抽出と、系統的な視覚的検証によって支持される、構成可能な保存出力が示された。
主な貢献は、モジュール的で再現可能なMRI前処理フレームワークで、設定可能な解剖学的保存、インタラクティブなユーザーガイド処理、および統合された品質管理により、ディープラーニングベースの脳の抽出を強化する。
このワークフローは、プライバシ指向のニューロイメージング研究と共同医療画像分析のための実践的な基盤を提供する。
関連論文リスト
- A Scalable AI-Powered System for Explainable Machine Learning Pipelines in Brain Tumor [2.2689094912853767]
放射能駆動型機械学習推論をサポートするために設計された、スケーラブルなWebベースのビジュアル分析システムの最初のバージョンを提示する。
提案するフレームワークは,脳腫瘍解析における臨床指向型AI応用の実践的基盤を提供する。
論文 参考訳（メタデータ） (2026-07-29T12:26:15Z) - PhyDCM: A Reproducible Open-Source Framework for AI-Assisted Brain Tumor Classification from Multi-Sequence MRI [0.0]
MRIベースの医用画像は現代の臨床診断に欠かせないものとなっている。
データボリュームの急激な増加は、従来の診断手法に課題をもたらす。
PhyDCMは、MedViTをベースにしたハイブリッド分類アーキテクチャを統合する、オープンソースのソフトウェアフレームワークとして紹介されている。
システムはグラフィカルインタフェースから計算ロジックを分離するモジュラーデジタルライブラリとして設計されている。
論文 参考訳（メタデータ） (2026-03-25T20:58:22Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。
平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。
この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2025-08-09T08:06:01Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI [28.639321546348654]
ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。
自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。
大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
論文 参考訳（メタデータ） (2024-05-10T01:45:09Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳（メタデータ） (2023-05-17T11:36:40Z) - BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP
for Generic Natural Visual Stimulus Decoding [51.911473457195555]
BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。
脳の活動、画像、およびテキストの間のモダリティギャップを埋める。
BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
論文 参考訳（メタデータ） (2023-02-25T03:28:54Z)
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。