論文の概要: Modeling Fat-shift for Improved Head Segmentation from MRI Scans using a Probabilistic Model

• arxiv url: http://arxiv.org/abs/2611.01222v1
• Date: Sat, 31 Oct 2026 19:44:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:48:38.872408
• Title: Modeling Fat-shift for Improved Head Segmentation from MRI Scans using a Probabilistic Model
• Title（参考訳）: 確率モデルを用いたMRI画像からの頭部偏位改善のための脂肪シフトのモデル化
• Abstract要約: 本研究では,T1wスキャンから頭と脳のセグメント構造を変動推論で推定する確率モデルを提案する。 脂肪-シフト-診断的セグメンテーションアプローチよりも正確に脳外解剖を再構築する。 フローベースの脂肪シフト補正セグメンテーションは電場シミュレーションのバイアスを著しく低減する。
• 参考スコア（独自算出の注目度）: 1.7367491820489998
• License:
• Abstract: Personalized computational head models for biophysical simulations rely on accurate whole-head segmentations from T1-weighted (T1w) magnetic resonance imaging (MRI) scans. While T1w scans provide excellent contrast for intracranial anatomy, extracerebral tissues have partly almost no signal (compact bone) and also suffer from the so-called chemical shift artifact, which affects the fatty tissues in MRI and causes them to spatially shift in the frequency encoding direction of the scan. This artifact occurs primarily in two structures of the head: the spongy bone, a fatty compartment inside the compact bone, and the subcutaneous fat, located directly underneath the skin. The frequency-encoding direction is often set in the superior-inferior direction, causing the fatty tissues to shift down and, as a result, making the skull appear thinner than it actually is. Existing segmentation methods do not model this artifact, consequently leading to inaccurate labeling of the skull and scalp, which introduces a bias in biophysical simulations. The direction and magnitude of the fat-shift can be determined from the scan parameters, thus making it possible to explicitly model the shift and to recover the correct anatomy. This study introduces a probabilistic model that uses variational inference to segment head and brain structures from a T1w scan while accounting for the fat-shift artifact. The proposed Fat-shift-informed Label Optimization of the Whole head (FLOW) method reconstructs extracerebral anatomy more accurately than a fat-shift-agnostic segmentation approach while maintaining high segmentation accuracy in all other structures. FLOW-based fat-shift corrected segmentations significantly reduce bias in electric field simulations compared to a segmentation method that does not model the shift.
• Abstract（参考訳）: 生体物理シミュレーションのためのパーソナライズされた計算ヘッドモデルは、T1重み付き(T1w)磁気共鳴イメージング(MRI)スキャンからの正確な全頭部分割に依存している。 T1wスキャンは頭蓋内解剖に優れたコントラストを提供するが、脳外組織は部分的には信号(骨の一部)がなく、MRIの脂肪組織に影響を及ぼし、スキャンの周波数符号化方向を空間的にシフトさせるいわゆる化学シフトアーティファクトに苦しむ。 このアーティファクトは、主に頭部の2つの構造、スポンジ状の骨、コンパクトな骨の内側の脂肪分、皮膚の真下に位置する皮下脂肪に発生する。 周波数エンコーディングの方向は、しばしば上から下方に設定され、脂肪組織が下降し、結果として頭蓋骨が実際よりも薄く見える。 既存のセグメンテーション法では、このアーティファクトをモデル化せず、結果として頭蓋骨と頭皮が不正確なラベル付けされ、生体物理シミュレーションのバイアスが生じる。 脂肪シフトの方向と大きさはスキャンパラメータから決定できるので、シフトを明示的にモデル化し、正しい解剖学を復元することができる。 本研究は,T1wスキャンから頭部と脳の構造の変動を推定し,脂肪シフトアーティファクトを考慮に入れた確率論的モデルを提案する。 The proposed Fat-shift-informed Label Optimization of the Whole Head (FLOW) method to reconstructs extracerebral anatomy than a fat-shift-agnostic segmentation approach while maintain high segmentation accuracy in all other structures。 フローベースの脂肪シフト補正セグメンテーションは、シフトをモデル化しないセグメンテーション法と比較して、電場シミュレーションのバイアスを著しく低減する。

関連論文リスト

• VRXU-net: A Deep Learning Approach for Brain Ischemic Stroke Lesion Detection and Segmentation in T1W MRI [0.0]
  本研究では,3次元MRI画像における虚血性脳梗塞の検出と分画を行うために,視覚的特徴,残差接続,U字型ネットワークから派生した新しいVRU-Netアーキテクチャを提案する。 性能と処理速度の両方を改善するために、シーケンシャルフレームワークにおけるセグメンテーションモデルの前に高性能な分類器を適用する。 提案モデルは、ストローク後の解剖学的トレースに基づいて訓練され、精度とDice係数の点で最先端のモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-20T18:44:08Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Modeling and Reversing Brain Lesions Using Diffusion Models [1.6377726761463862]
  脳病変は、MRI(MRI)を用いてしばしば検出される脳組織の異常または損傷である 拡散モデルに基づく脳病変過程の解析と逆転のためのフレームワークを提案する。 従来の方法と比較して, 病変のセグメンテーション, キャラクタリゼーション, 脳のラベル付けの精度が向上した。
  論文  参考訳（メタデータ） (2025-07-08T04:53:23Z)
• Exploring Robustness of Cortical Morphometry in the presence of white matter lesions, using Diffusion Models for Lesion Filling [0.1362941274535414]
  多発性硬化症や小血管疾患などのT1強調画像における白色物質の低強度は、脳の分画の出力に影響を与えることが知られている。 これらの効果は、従来の脳のセグメンテーションツールの間でよく文書化されているが、ディープラーニングセグメンテーションに基づくツールでは広く研究されていない。 本稿では,WM病変の存在下での皮質厚測定の精度と効率を高めるため,深層学習の可能性を検討する。
  論文  参考訳（メタデータ） (2025-03-26T14:18:35Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
  3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。 転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。 クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T17:42:30Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• 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)

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。