Kernkonzepte
合成データを使用することで、異なる領域間での脳組織セグメンテーションの改善が可能である。
Zusammenfassung
この記事は、胎児MRIにおける脳組織のセグメンテーションに焦点を当てています。主な貢献は以下の通りです:
- FetalSynthSegというドメインランダム化手法を導入し、合成データだけを使用して訓練されたモデルが異なる領域で優れたパフォーマンスを発揮することを示す。
- 低磁場(0.55T)MRIデータへの評価も拡張し、提案手法が未知の磁場強度やSRアルゴリズムに対して堅牢性を示すことを示す。
- リアルデータだけで訓練されたモデルよりも合成データだけで訓練されたモデルが優れたパフォーマンスを示す。
Introduction
- 胎児MRIは神経発達の研究において重要。
- 自動化パイプライン作成には限られたアノテートされたデータセットやデータの異質性が課題。
Methodology
- 3D U-Netアーキテクチャを使用。
- リアル画像と合成画像は同じ前処理ステップを受ける。
Experimental settings
- FetalSynthSegモデルと他モデルの比較実験。
- 高磁場および低磁場への汎化能力評価。
Results
- 合成データだけで訓練されたモデルがリアルデータだけで訓練されたモデルよりも優れたパフォーマンス。
- 低磁場MRIへの適応性が高いことが示唆される。