SMILEUHURA DS6 UNetMSS3D Wodeform

🚀 SMILEUHURA_DS6_UNetMSS3D_woDeform

脳の血管は、人間の脳に必要な栄養素と酸素を供給します。脳の血液供給の脆弱な部分として、細小血管の病変は、脳小血管病（CSVD）などの深刻な問題を引き起こす可能性があります。また、CSVDはアルツハイマー病などの神経変性疾患と関連していることも示されています。7テスラMRIシステムの進歩により、より高い空間画像解像度が達成できるようになり、脳内の非常に細い血管を描出することが可能になりました。血管セグメンテーションの非ディープラーニングベースのアプローチ、例えば、フランギの血管強調とそれに続く閾値処理は、中〜大きな血管をセグメント化することはできますが、細小血管のセグメンテーションにはしばしば失敗します。これらの方法の細小血管に対する感度は、広範なパラメータチューニングまたは手動修正によって向上させることができますが、それは時間がかかり、手間がかかり、大規模なデータセットには実行可能ではありません。この論文では、7テスラ3D飛行時間（ToF）磁気共鳴血管造影（MRA）データにおける細小血管を自動的にセグメント化するディープラーニングアーキテクチャを提案しています。このアルゴリズムは、わずか11人の不完全な半自動セグメント化された小規模なデータセットでトレーニングおよび評価されました。6人をトレーニングに、2人を検証に、3人をテストに使用しました。U-Netマルチスケール監視に基づくディープラーニングモデルは、トレーニングサブセットを使用してトレーニングされ、変形認識学習を使用して自己教師付き方式で弾性変形に対して等変性にされ、汎化性能が向上しました。提案された手法は、テストセットに対して定量的および定性的に評価され、ダイススコア80.44 ± 0.83を達成しました。さらに、提案手法の結果は、選択された手動セグメント化領域（ダイス62.07）と比較され、変形認識学習により大幅な改善（18.98％）が見られました。

🚀 クイックスタート

このモデルは血管セグメンテーションチャレンジ: SMILE - UHURA (https://doi.org/10.7303/syn47164761) と研究論文 SPOCKMIP のベースラインモデルです。

✨ 主な機能

• 7テスラ3D飛行時間（ToF）磁気共鳴血管造影（MRA）データにおける細小血管を自動的にセグメント化する。
• U - Netマルチスケール監視に基づくディープラーニングモデルを使用。
• 変形認識学習を用いて自己教師付き方式で弾性変形に対して等変性にし、汎化性能を向上させる。

📚 ドキュメント

モデルの詳細

このモデルは Soumick Chatterjee, Kartik Prabhu, Mahantesh Pattadkal, Gerda Bortsova, Chompunuch Sarasaen, Florian Dubost, Hendrik Mattern, Marleen de Bruijne, Oliver Speck, Andreas Nürnberger による DS6, Deformation - Aware Semi - Supervised Learning: Application to Small Vessel Segmentation with Noisy Training Data で紹介されました。ArXiv preprint

モデルアーキテクチャは元の論文と同じですが、SMILE - UHURAデータセットでトレーニングされています。このモデルは、SMILE - UHURAチャレンジ (https://doi.org/10.7303/syn47164761) のベースラインモデルとして、および研究論文 SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss で使用されています。

モデルの説明

モデルのソース

• Original DS6
  • Repository: https://github.com/soumickmj/DS6
  • Paper: https://doi.org/10.3390/jimaging8100259
  • Preprint: https://arxiv.org/abs/2006.10802
• SPOCKMIP
  • Repository: https://github.com/soumickmj/SPOCKMIP
  • Preprint: https://arxiv.org/abs/2407.08655

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で提供されています。

引用

もしあなたの研究でこのアプローチを使用するか、このリポジトリのコードやこれらの重みを使用する場合は、以下のすべてをあなたの出版物で引用してください。

BibTeX:

DS6:

@article{chatterjee2022ds6,
  title={Ds6, deformation-aware semi-supervised learning: Application to small vessel segmentation with noisy training data},
  author={Chatterjee, Soumick and Prabhu, Kartik and Pattadkal, Mahantesh and Bortsova, Gerda and Sarasaen, Chompunuch and Dubost, Florian and Mattern, Hendrik and de Bruijne, Marleen and Speck, Oliver and N{\"u}rnberger, Andreas},
  journal={Journal of Imaging},
  volume={8},
  number={10},
  pages={259},
  year={2022},
  publisher={MDPI}
}

SPOCKMIP:

@article{radhakrishna2024spockmip,
  title={SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss},
  author={Radhakrishna, Chethan and Chintalapati, Karthikesh Varma and Kumar, Sri Chandana Hudukula Ram and Sutrave, Raviteja and Mattern, Hendrik and Speck, Oliver and N{\"u}rnberger, Andreas and Chatterjee, Soumick},
  journal={arXiv preprint arXiv:2407.08655},
  year={2024}
}

SMILE - UHURA:

https://doi.org/10.7303/syn47164761

APA:

Chatterjee, S., Prabhu, K., Pattadkal, M., Bortsova, G., Sarasaen, C., Dubost, F., ... & Nürnberger, A. (2022). Ds6, deformation - aware semi - supervised learning: Application to small vessel segmentation with noisy training data. Journal of Imaging, 8(10), 259.

Radhakrishna, C., Chintalapati, K. V., Kumar, S. C. H. R., Sutrave, R., Mattern, H., Speck, O., ... & Chatterjee, S. (2024). SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss. arXiv preprint arXiv:2407.08655.

https://doi.org/10.7303/syn47164761