کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6024597 1580881 2016 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Patch-based augmentation of Expectation-Maximization for brain MRI tissue segmentation at arbitrary age after premature birth
ترجمه فارسی عنوان
افزایشی مبتنی بر پراکندگی انتظار-حداکثر سازی برای تقسیم بندی بافت مغز در سن خودسرانه پس از زایمان زودرس
کلمات کلیدی
ترجمه چکیده
تقسیم دقیق بافت خودکار تصاویر تشدید مغناطیسی نوزادان پیش از موعد، یک وظیفه حیاتی برای اندازه گیری آسیب مغزی و تاثیر آن بر رشد اولیه پس از تولد و توسعه بعد شناختی است. در چنین مطالعات شایع است که اسکن به زودی پس از تولد یا بعد از آن در طول اقامت در بیمارستان به دست می آید و بنابراین در دوره ای از تغییرات سریع در دوران بارداری رخ می دهد. مهم است که بتوانیم هر یک از این اسکنها را با دقت قابل مقایسه با یکدیگر تقسیم کنیم. کار قبلی در تقسیمبندی بافت مغزی در نوزادان نارس بر تقسیم بندی در سنین خاص متمرکز شده است. در اینجا ما به حل مساله عمومی تر با استفاده از سازگاری با روش های مبتنی بر اتلتیک سن نگاه می کنیم و این را با استفاده از یک پایگاه داده دستی منحصر به فرد از تصاویر با وضوح بالا که شامل 20 هفته بارداری توسعه است، ارزیابی می کنیم. ما به بررسی نقاط قوت سنوات متمایز انتظارات و حداکثر سازی مبتنی بر اتولاتز و روش های مبتنی بر پچ برای این مشکل می پردازیم و به بررسی دو تکنیک ترکیبی جدید، افزایش پچ مبتنی بر انتظار-حداکثر سازی با همجوشی وزن و پچ محدودیت فضایی می پردازیم. جستجو کردن. رویکرد سعی دارد ترکیبی از مزایای استفاده از روش های مبتنی بر اتوکد و پچ را با یادگیری از عملکرد دو تکنیک در سراسر آناتومی مغز در سنین مختلف در حال توسعه، در حالی که روش دوم با هدف استفاده از نقشه های تغییرات تشریحی آموخته شده از داده های آموزش آتلانتیک به طور محلی محدوده جستجوی مبتنی بر پچ را محدود می کند. رویکردهای پیشنهادی با استفاده از یک روش اعتبارسنجی مجدد یک خروجی ارزیابی شدند. در مقایسه با سونوگرافی متداول مبتنی بر اتلتیک و تقسیم مستقیم مبتنی بر پچ، هر دو رویکرد جدید نشان دهنده دقت بهبود یافته در برچسب گذاری اتوماتیک ماده خاکستری قهوه ای، ماده سفید، بطن و مناطق مایع قوز نخاعی سولک است، در حالی که نتایج قابل مقایسه در خاکستری عمیق موضوع.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی علوم اعصاب شناختی
پیش نمایش مقاله
افزایشی مبتنی بر پراکندگی انتظار-حداکثر سازی برای تقسیم بندی بافت مغز در سن خودسرانه پس از زایمان زودرس
چکیده انگلیسی
Accurate automated tissue segmentation of premature neonatal magnetic resonance images is a crucial task for quantification of brain injury and its impact on early postnatal growth and later cognitive development. In such studies it is common for scans to be acquired shortly after birth or later during the hospital stay and therefore occur at arbitrary gestational ages during a period of rapid developmental change. It is important to be able to segment any of these scans with comparable accuracy. Previous work on brain tissue segmentation in premature neonates has focused on segmentation at specific ages. Here we look at solving the more general problem using adaptations of age specific atlas based methods and evaluate this using a unique manually traced database of high resolution images spanning 20 gestational weeks of development. We examine the complimentary strengths of age specific atlas-based Expectation-Maximization approaches and patch-based methods for this problem and explore the development of two new hybrid techniques, patch-based augmentation of Expectation-Maximization with weighted fusion and a spatial variability constrained patch search. The former approach seeks to combine the advantages of both atlas- and patch-based methods by learning from the performance of the two techniques across the brain anatomy at different developmental ages, while the latter technique aims to use anatomical variability maps learnt from atlas training data to locally constrain the patch-based search range. The proposed approaches were evaluated using leave-one-out cross-validation. Compared with the conventional age specific atlas-based segmentation and direct patch based segmentation, both new approaches demonstrate improved accuracy in the automated labeling of cortical gray matter, white matter, ventricles and sulcal cortical-spinal fluid regions, while maintaining comparable results in deep gray matter.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: NeuroImage - Volume 127, 15 February 2016, Pages 387-408
نویسندگان
, , , , , , , ,