論文の概要: Cortical surface parcellation based on intra-subject white matter fiber
clustering
- arxiv url: http://arxiv.org/abs/2002.09034v1
- Date: Sun, 16 Feb 2020 19:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 18:25:56.309616
- Title: Cortical surface parcellation based on intra-subject white matter fiber
clustering
- Title（参考訳）: 物体内白色物質繊維クラスタリングによる皮質表面のパーセレーション
- Authors: Narciso L\'opez-L\'opez, Andrea V\'azquez, Cyril Poupon,
Jean-Fran\c{c}ois Mangin, Pamela Guevara
- Abstract要約: 個人の大脳皮質を完全にパーセレーションするハイブリッド手法を提案する。
この方法は5つのステップから構成され、脳のトラクトグラフィー上で第1のオブジェクト内クラスタリングが行われる。
それぞれのクラスターを構成する繊維は、皮質メッシュと交差し、フィルターで外層を除去する。
- 参考スコア（独自算出の注目度）: 0.16799377888527683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a hybrid method that performs the complete parcellation of the
cerebral cortex of an individual, based on the connectivity information of the
white matter fibers from a whole-brain tractography dataset. The method
consists of five steps, first intra-subject clustering is performed on the
brain tractography. The fibers that make up each cluster are then intersected
with the cortical mesh and then filtered to discard outliers. In addition, the
method resolves the overlapping between the different intersection regions
(sub-parcels) throughout the cortex efficiently. Finally, a post-processing is
done to achieve more uniform sub-parcels. The output is the complete labeling
of cortical mesh vertices, representing the different cortex sub-parcels, with
strong connections to other sub-parcels. We evaluated our method with measures
of brain connectivity such as functional segregation (clustering coefficient),
functional integration (characteristic path length) and small-world. Results in
five subjects from ARCHI database show a good individual cortical parcellation
for each one, composed of about 200 subparcels per hemisphere and complying
with these connectivity measures.
- Abstract（参考訳）: 本稿では,脳全路図データセットからの白質繊維の接続情報に基づいて,個人の大脳皮質の完全な小脳化を行うハイブリッド手法を提案する。
この方法は5つのステップからなり、最初のサブジェクト内クラスタリングは脳道造影で行われる。
各クラスターを構成する繊維は、次に皮質メッシュと交差し、その後フィルターをかけ、外れ値を捨てる。
さらに, 大脳皮質全体で異なる交叉領域(サブパーセル)間の重なりを効率よく解決する。
最後に、より均一なサブパーセルを達成するために後処理を行う。
出力は皮質メッシュ頂点の完全なラベリングであり、異なる皮質サブパーセルを表し、他のサブパーセルと強い結合を持つ。
本手法は,機能的分離(クラスタ化係数),機能的統合(特性的経路長),スモールワールドなどの脳結合度の測定により評価した。
ARCHIデータベースから得られた5つの被験者は、それぞれに良好な個々の皮質パーセレーションを示し、それぞれ約200のサブパーセルからなる。
関連論文リスト
- Hierarchical Multiple Kernel K-Means Algorithm Based on Sparse Connectivity [6.524937526547959]
本稿では,スパース接続に基づく階層型マルチカーネルK-Means (SCHMKKM) アルゴリズムを提案する。
より離散的な情報融合は、より一貫性のある分割行列を学習するのに有益であることが示されている。
論文 参考訳（メタデータ） (2024-10-27T09:35:09Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning
for Fast and Effective White Matter Parcellation [21.835894924330752]
教師なしディープラーニングに基づく新しいWMFCフレームワークを提案する。
畳み込みニューラルネットワークを用いて入力ファイバの埋め込みを学習し、ペアワイズファイバ距離を擬似アノテーションとして利用する。
その結果,提案手法の性能と効率性が向上した。
論文 参考訳（メタデータ） (2021-07-11T01:36:57Z) - Graph Routing between Capsules [43.158403476750756]
グラフルーティングを備えた新しいカプセルネットワークを導入し,各レイヤのカプセルをグラフのノードとして扱うことにより,両方の関係を学習する。
提案手法を5つのテキスト分類データセットで検証し,ボトムアップ・ルーティングとトップダウン・アテンションを組み合わせたアプローチが最良であることが示唆された。
論文 参考訳（メタデータ） (2021-06-22T04:00:57Z) - GeoSP: A parallel method for a cortical surface parcellation based on
geodesic distance [0.2955543753858105]
GeoSPは、測地線距離に基づいて皮質メッシュのパーセレーションを生成する並列手法である。
提案手法は、データ駆動型皮質パーセレーションの評価を行うために、コミュニティで利用可能になる。
論文 参考訳（メタデータ） (2021-03-26T16:43:04Z) - Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。
本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。
7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
論文 参考訳（メタデータ） (2020-12-16T13:01:37Z) - Adaptive feature recombination and recalibration for semantic
segmentation with Fully Convolutional Networks [57.64866581615309]
完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。
その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
論文 参考訳（メタデータ） (2020-06-19T15:45:03Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z) - Hierarchical Correlation Clustering and Tree Preserving Embedding [3.821323038670061]
本稿では,よく知られた相関クラスタリングを拡張する階層的相関クラスタリング手法を提案する。
本稿では,このような階層的相関クラスタリングを用いた教師なし表現学習について検討する。
論文 参考訳（メタデータ） (2020-02-18T17:44:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。