論文の概要: Uncertainty-Aware Cortical Surface Reconstruction and Spherical Registration for Heterogeneous Brain MRI
- arxiv url: http://arxiv.org/abs/2610.16595v1
- Date: Mon, 12 Oct 2026 11:18:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 22:21:32.834181
- Title: Uncertainty-Aware Cortical Surface Reconstruction and Spherical Registration for Heterogeneous Brain MRI
- Title（参考訳）: 異種脳MRIにおける不確かさを意識した皮質表面再構成と球面登録
- Abstract要約: ランダムコントラストと分解能を持つ合成スキャンを専門に訓練したニューラルネットワークを提案する。
ほとんどあらゆる種類の磁気共鳴イメージング(MRI)スキャンに適用できる。
我々のモデルは、1x1x1 mm3 T1wスキャンにおける他の最先端のDL手法と同等に動作する。
- 参考スコア（独自算出の注目度）: 5.3954591529531095
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Surface-based cortical analysis is useful in many applications as it is a natural way to model the highly folded structure of the cerebral cortex, allowing quantities such as curvature and thickness to be easily calculated. Existing deep learning (DL) methods have focused on 1x1x1 mm3 T1-weighted (T1w) scans, thus replicating classical pipelines. Here we present a neural network that is trained exclusively on synthetic scans with random contrast and resolution. Consequently, it can be applied to almost any kind of magnetic resonance imaging (MRI) scan. In addition, our model provides vertex-wise uncertainty estimates of the predicted surface as well as a spherical registration to fsaverage space. Our model performs on par with other state-of-the-art DL methods on 1x1x1 mm3 T1w scans and outperforms the only other method capable of estimating cortical surfaces from low resolution, non-T1w scans. The predicted uncertainty, moreover, correlates with overall scan quality on low resolution scans and highlights areas of poor surface reconstruction on 1x1x1 mm3 T1w scans, suggesting that it can be used for quality control. Finally, the predicted spherical registrations prove comparable to other DL and classical registration methods. These qualities, when combined with the fast inference time, will provide the ability to analyze large, existing databases of clinical MRI scans, with the potential for finding disease-specific patterns that would otherwise be infeasible in a research setting.
- Abstract（参考訳）: 表面ベースの皮質解析は、大脳皮質の高度に折り畳まれた構造をモデル化する自然な方法であり、曲率や厚さなどの量を容易に計算できるため、多くの用途で有用である。
既存のディープラーニング(DL)手法は、1x1x1 mm3 T1重み付き(T1w)スキャンに重点を置いており、古典的なパイプラインを複製している。
ここでは、ランダムコントラストと分解能を持つ合成スキャンに特化して訓練されたニューラルネットワークを提案する。
これにより、ほぼあらゆる種類のMRIスキャンに応用できる。
さらに,本モデルでは,予測面の頂点的不確実性を推定し,Fsaverage空間への球面登録を行う。
我々のモデルは、1x1x1 mm3 T1wスキャンにおける他の最先端のDL手法と同等に動作し、低分解能の非T1wスキャンから皮質表面を推定できる他の方法よりも優れている。
予測された不確実性は、低解像度スキャンの全体的なスキャン品質と相関し、1x1x1 mm3 T1wスキャンの粗面再構成の領域を強調し、品質管理に使用できることを示唆している。
最後に、予測された球面登録は他のDLや古典的な登録法に匹敵することを示す。
これらの性質と高速な推論時間を組み合わせることで、臨床MRIスキャンの大規模で既存のデータベースを分析し、研究環境では不可能な病気固有のパターンを見つけることができる。
関連論文リスト
- Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。
新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
論文 参考訳（メタデータ） (2026-06-24T18:00:03Z) - End-to-end Cortical Surface Reconstruction from Clinical Magnetic Resonance Images [2.920414237330382]
我々は、コントラストと解像度のスキャンから皮質表面を明示的に推定するために、最初のニューラルネットワークを訓練する。
提案手法は, テンプレートメッシュをホワイトマター (WM) 面に変形させ, トポロジカルな正当性を保証する。
高分解能T1wスキャンでFreeSurferが検出した老化関連大脳皮質の微細化パターンを再現し,大脳皮質の厚さ誤差(0.50mmから0.24mm)を約50%低減した。
論文 参考訳（メタデータ） (2025-05-20T07:18:58Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。
提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
論文 参考訳（メタデータ） (2024-09-05T19:52:09Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and
adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。
我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文 参考訳（メタデータ） (2023-08-24T12:26:38Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Cortical analysis of heterogeneous clinical brain MRI scans for
large-scale neuroimaging studies [2.930354460501359]
皮質の表面分析は、例えば、皮質登録、パーセル化、厚さ推定など、MRIによるヒトの神経イメージングにおいてユビキタスである。
臨床脳MRI検査における大脳皮質再建, 登録, パーセレーション, 厚み推定法について検討した。
論文 参考訳（メタデータ） (2023-05-02T23:36:06Z) - 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) - Joint super-resolution and synthesis of 1 mm isotropic MP-RAGE volumes
from clinical MRI exams with scans of different orientation, resolution and
contrast [4.987889348212769]
コントラスト,解像度,方向の異なる1つ以上の厚いスライススキャンを受信するCNNの訓練方法であるSynthSRを提案する。
提案手法では,ストリッピングやバイアスフィールド補正などの前処理は不要である。
論文 参考訳（メタデータ） (2020-12-24T17:29:53Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。