SwePub
Sök i LIBRIS databas

  Utökad sökning

WFRF:(Van Westen Danielle)
 

Sökning: WFRF:(Van Westen Danielle) > (2020-2024) > Deep learning from ...

Deep learning from MRI-derived labels enables automatic brain tissue classification on human brain CT

Srikrishna, Meera (författare)
Gothenburg University,Göteborgs universitet,University of Gothenburg,Sahlgrenska University Hospital, Wallenberg Laboratory,Institutionen för neurovetenskap och fysiologi, sektionen för psykiatri och neurokemi,Wallenberg Centre for Molecular and Translational Medicine,Institute of Neuroscience and Physiology, Department of Psychiatry and Neurochemistry
Pereira, Joana B. (författare)
Karolinska Institutet,Karolinska Institute,Lund University,Lunds universitet,Klinisk minnesforskning,Forskargrupper vid Lunds universitet,Clinical Memory Research,Lund University Research Groups
Heckemann, Rolf A. (författare)
Gothenburg University,Göteborgs universitet,Institutionen för kliniska vetenskaper, Avdelningen för medicinsk strålningsvetenskap,Institute of Clinical Sciences, Department of Medical Radiation Sciences
visa fler...
Volpe, Giovanni, 1979 (författare)
Gothenburg University,Göteborgs universitet,University of Gothenburg,Institutionen för fysik (GU),Department of Physics (GU)
van Westen, Danielle (författare)
Lund University,Lunds universitet,Diagnostisk radiologi, Lund,Sektion V,Institutionen för kliniska vetenskaper, Lund,Medicinska fakulteten,Neuroradiologi,Forskargrupper vid Lunds universitet,Diagnostic Radiology, (Lund),Section V,Department of Clinical Sciences, Lund,Faculty of Medicine,Neuroradiology,Lund University Research Groups,Skåne University Hospital
Zettergren, Anna, 1978 (författare)
Gothenburg University,Göteborgs universitet,Centrum för åldrande och hälsa (AgeCap),Institutionen för neurovetenskap och fysiologi,Centre for Ageing and Health (Agecap),Institute of Neuroscience and Physiology
Kern, Silke (författare)
Gothenburg University,Göteborgs universitet,Institutionen för neurovetenskap och fysiologi, sektionen för psykiatri och neurokemi,Institute of Neuroscience and Physiology, Department of Psychiatry and Neurochemistry
Wahlund, Lars Olof (författare)
Karolinska Institutet,Karolinska Institute
Westman, Eric (författare)
Karolinska Institutet,Karolinska Institute
Skoog, Ingmar, 1954 (författare)
Gothenburg University,Göteborgs universitet,Centrum för åldrande och hälsa (AgeCap),Institutionen för neurovetenskap och fysiologi,Centre for Ageing and Health (Agecap),Institute of Neuroscience and Physiology
Schöll, Michael (författare)
Gothenburg University,Göteborgs universitet,University of Gothenburg,Sahlgrenska University Hospital,University College London,Sahlgrenska University Hospital, Wallenberg Laboratory,Institutionen för neurovetenskap och fysiologi, sektionen för psykiatri och neurokemi,Wallenberg Centre for Molecular and Translational Medicine,Institute of Neuroscience and Physiology, Department of Psychiatry and Neurochemistry
visa färre...
 (creator_code:org_t)
Elsevier BV, 2021
2021
Engelska.
Ingår i: NeuroImage. - : Elsevier BV. - 1053-8119 .- 1095-9572. ; 244
Relaterad länk:
http://dx.doi.org/10... (free)
visa fler...
https://doi.org/10.1...
https://lup.lub.lu.s...
https://doi.org/10.1...
http://kipublication...
https://gup.ub.gu.se...
visa färre...
  • Tidskriftsartikel (refereegranskat)
Abstract Ämnesord
Stäng  
  • Automatic methods for feature extraction, volumetry, and morphometric analysis in clinical neuroscience typically operate on images obtained with magnetic resonance (MR) imaging equipment. Although CT scans are less expensive to acquire and more widely available than MR scans, their application is currently limited to the visual assessment of brain integrity and the exclusion of co-pathologies. CT has rarely been used for tissue classification because the contrast between grey matter and white matter was considered insufficient. In this study, we propose an automatic method for segmenting grey matter (GM), white matter (WM), cerebrospinal fluid (CSF), and intracranial volume (ICV) from head CT images. A U-Net deep learning model was trained and validated on CT images with MRI-derived segmentation labels. We used data from 744 participants of the Gothenburg H70 Birth Cohort Studies for whom CT and T1-weighted MR images had been acquired on the same day. Our proposed model predicted brain tissue classes accurately from unseen CT images (Dice coefficients of 0.79, 0.82, 0.75, 0.93 and 0.98 for GM, WM, CSF, brain volume and ICV, respectively). To contextualize these results, we generated benchmarks based on established MR-based methods and intentional image degradation. Our findings demonstrate that CT-derived segmentations can be used to delineate and quantify brain tissues, opening new possibilities for the use of CT in clinical practice and research.

Ämnesord

MEDICIN OCH HÄLSOVETENSKAP  -- Klinisk medicin -- Radiologi och bildbehandling (hsv//swe)
MEDICAL AND HEALTH SCIENCES  -- Clinical Medicine -- Radiology, Nuclear Medicine and Medical Imaging (hsv//eng)
TEKNIK OCH TEKNOLOGIER  -- Medicinteknik -- Medicinsk bildbehandling (hsv//swe)
ENGINEERING AND TECHNOLOGY  -- Medical Engineering -- Medical Image Processing (hsv//eng)
MEDICIN OCH HÄLSOVETENSKAP  -- Medicinska och farmaceutiska grundvetenskaper -- Neurovetenskaper (hsv//swe)
MEDICAL AND HEALTH SCIENCES  -- Basic Medicine -- Neurosciences (hsv//eng)

Nyckelord

Brain image segmentation
computed tomography (CT)
Convolutional neural networks (CNN)
Deep learning

Publikations- och innehållstyp

art (ämneskategori)
ref (ämneskategori)

Hitta via bibliotek

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy