論文の概要: Tractogram filtering of anatomically non-plausible fibers with geometric deep learning

• arxiv url: http://arxiv.org/abs/2003.11013v2
• Date: Thu, 9 Jul 2020 13:57:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:43:42.994068
• Title: Tractogram filtering of anatomically non-plausible fibers with geometric deep learning
• Title（参考訳）: 幾何学的深層学習による解剖学的に不明瞭な繊維のトラクトグラムフィルタリング
• Authors: Pietro Astolfi, Ruben Verhagen, Laurent Petit, Emanuele Olivetti, Jonathan Masci, Davide Boscaini, Paolo Avesani
• Abstract要約: トラクトグラムは脳の白質繊維の仮想的な表現である。 それらは、前外科的計画や神経可塑性や脳障害の研究といったタスクに主に関心がある。 残念なことに、これらの繊維の大部分は解剖学的に可塑性ではなく、追跡アルゴリズムの人工物と見なすことができる。 トラクトグラムフィルタリングの一般的な方法は、信号再構成(原則化されたアプローチ)に基づいているが、脳解剖学の知識を考慮できない。
• 参考スコア（独自算出の注目度）: 7.758302353877525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tractograms are virtual representations of the white matter fibers of the brain. They are of primary interest for tasks like presurgical planning, and investigation of neuroplasticity or brain disorders. Each tractogram is composed of millions of fibers encoded as 3D polylines. Unfortunately, a large portion of those fibers are not anatomically plausible and can be considered artifacts of the tracking algorithms. Common methods for tractogram filtering are based on signal reconstruction, a principled approach, but unable to consider the knowledge of brain anatomy. In this work, we address the problem of tractogram filtering as a supervised learning problem by exploiting the ground truth annotations obtained with a recent heuristic method, which labels fibers as either anatomically plausible or non-plausible according to well-established anatomical properties. The intuitive idea is to model a fiber as a point cloud and the goal is to investigate whether and how a geometric deep learning model might capture its anatomical properties. Our contribution is an extension of the Dynamic Edge Convolution model that exploits the sequential relations of points in a fiber and discriminates with high accuracy plausible/non-plausible fibers.
• Abstract（参考訳）: トラクトグラムは脳の白質繊維の仮想的な表現である。 それらは、前外科的計画や神経可塑性や脳障害の研究といったタスクに主に関心がある。 各トラクトグラムは3Dポリラインとして符号化された数百万の繊維から構成される。 残念ながら、これらの繊維の大部分は解剖学的に妥当ではなく、追跡アルゴリズムの人工物と見なすことができる。 トラクトログラムフィルタリングの一般的な方法は、原則的アプローチである信号再構成に基づいているが、脳解剖学の知識を考慮できない。 本研究では,近年のヒューリスティックな手法により得られた基礎的真理アノテーションを利用して,繊維を解剖学的に可塑性か非楽観的かのどちらかと分類することで,トラクトグラムフィルタリングの問題を教師付き学習問題として解決する。 直感的な考え方は繊維を点雲としてモデル化することであり、その目標は幾何学的なディープラーニングモデルがその解剖学的特性をいかに捉えているかを調べることである。 提案手法は,動的エッジ畳み込みモデルの拡張であり,ファイバー内の点の逐次関係を利用して,高精度で実用的でない繊維を識別する。

関連論文リスト

• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
  現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。 我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
  論文  参考訳（メタデータ） (2023-07-18T06:35:12Z)
• Supervised Tractogram Filtering using Geometric Deep Learning [7.387834089452367]
  トラクトグラムは脳白質の仮想的な表現である。 トラクトグラム繊維の大部分は解剖学的に妥当ではなく、追跡手順のアーティファクトと見なすことができる。 我々は、新しい完全教師付き学習手法を用いて、そのような不明瞭な繊維をフィルタリングする問題に取り組む。
  論文  参考訳（メタデータ） (2022-12-06T19:52:29Z)
• TractoFormer: A Novel Fiber-level Whole Brain Tractography Analysis Framework Using Spectral Embedding and Vision Transformers [15.334469506736065]
  WBT(Whole Brain tractography)データには、何十万もの個々のファイバーの流線(推定脳接続)が含まれている。 本稿では,新しいパーセレーションフリーな WBT 解析フレームワークである TractoFormer を提案する。 病気分類実験において、TractoFormerは統合失調症とコントロールの分類において最も高い精度を達成する。
  論文  参考訳（メタデータ） (2022-07-05T21:38:26Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
  トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。 ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。 アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
  論文  参考訳（メタデータ） (2021-08-02T21:16:29Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks [0.8602553195689513]
  細胞構造は脳内の神経細胞の空間的構造を記述する。 脳を皮質下領域と皮質下核に分離することができる。 領域間の境界をマッピングするには 組織学的領域を 顕微鏡でスキャンする必要がある
  論文  参考訳（メタデータ） (2021-03-09T07:09:42Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。