脳解剖の先天性または後天性歪患者における深層学習による自動組織セグメンテーション【JST・京大機械翻訳】

Amorosino Gabriele; Amorosino Gabriele; Peruzzo Denis; Astolfi Pietro; Astolfi Pietro; Redaelli Daniela; Avesani Paolo; Avesani Paolo; Arrigoni Filippo; Olivetti Emanuele; Olivetti Emanuele

文献

J-GLOBAL ID：202102232861520990 整理番号：21A0169722

脳解剖の先天性または後天性歪患者における深層学習による自動組織セグメンテーション【JST・京大機械翻訳】

Automatic Tissue Segmentation with Deep Learning in Patients with Congenital or Acquired Distortion of Brain Anatomy

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=21A0169722&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=21A0169722&from=J-GLOBAL&jstjournalNo=H0078D") }}

著者 (11件)： , , , , , , , , , ,
資料名：
巻： 12449 ページ： 13-22 発行年： 2020年
JST資料番号： H0078D ISSN： 0302-9743 資料種別：会議録 (C)
記事区分：原著論文発行国：ドイツ (DEU) 言語：英語 (EN)

脳解剖の複雑な歪みを有する脳は,T1強調MR画像の自動組織分割法にいくつかの挑戦を示す。第1に,組織の形態における非常に高い変動性は,アルゴリズム内に埋め込まれた事前知識と両立できない。第2に,歪んだ脳のMR画像のアベイラビリティは非常に不足しており,文献の方法はこれまでそのような症例に取り組まれていない。本研究では,先天性または後天性脳歪みの異なる重症度を有する脳のT1強調画像における最先端の自動組織セグメンテーションパイプラインの最初の評価を提示する。伝統的なパイプラインと深層学習モデル,すなわち,正常出現脳で訓練された3D U-Netを比較した。驚くべきことに,従来のパイプラインは,強い解剖学的歪みで組織をセグメント化するのに完全に失敗する。驚くべきことに,3D U-Netは専門家/神経放射線科医による手動精密化のための貴重な出発点である有用なセグメンテーションを提供する。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , ,
, , , , , 【Automatic Indexing@JST】

医用画像処理

, , , , ,

前のページに戻る