論文の概要: FiberStars: Visual Comparison of Diffusion Tractography Data between Multiple Subjects

• arxiv url: http://arxiv.org/abs/2005.08090v2
• Date: Mon, 21 Jun 2021 16:57:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 13:42:52.465499
• Title: FiberStars: Visual Comparison of Diffusion Tractography Data between Multiple Subjects
• Title（参考訳）: fiberstars: 複数の被験者間の拡散トラクトグラフィデータの視覚的比較
• Authors: Loraine Franke, Daniel Karl I. Weidele, Fan Zhang, Suheyla Cetin-Karayumak, Steve Pieper, Lauren J. O'Donnell, Yogesh Rathi, Daniel Haehn
• Abstract要約: 最近のdMRI研究は、被験者群と疾患集団間の接続パターンを比較することを目的としている。 既存のソフトウェア製品は解剖学のみに焦点を合わせており、直感的あるいは複数の主題の比較を制限するものではない。 本稿では,画像解析ツールFiberStarsの設計と実装について述べる。
• 参考スコア（独自算出の注目度）: 5.784525664066613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tractography from high-dimensional diffusion magnetic resonance imaging (dMRI) data allows brain's structural connectivity analysis. Recent dMRI studies aim to compare connectivity patterns across subject groups and disease populations to understand subtle abnormalities in the brain's white matter connectivity and distributions of biologically sensitive dMRI derived metrics. Existing software products focus solely on the anatomy, are not intuitive or restrict the comparison of multiple subjects. In this paper, we present the design and implementation of FiberStars, a visual analysis tool for tractography data that allows the interactive visualization of brain fiber clusters combining existing 3D anatomy with compact 2D visualizations. With FiberStars, researchers can analyze and compare multiple subjects in large collections of brain fibers using different views. To evaluate the usability of our software, we performed a quantitative user study. We asked domain experts and non-experts to find patterns in a tractography dataset with either FiberStars or an existing dMRI exploration tool. Our results show that participants using FiberStars can navigate extensive collections of tractography faster and more accurately. All our research, software, and results are available openly.
• Abstract（参考訳）: 高次元拡散磁気共鳴イメージング(dMRI)データからのトラクトグラフィーは、脳の構造接続解析を可能にする。 近年のdMRI研究は、被験者群と疾患集団間の接続パターンを比較して、脳の白質結合の微妙な異常と生物学的に敏感なdMRI由来のメトリクスの分布を理解することを目的としている。 既存のソフトウェア製品は解剖学のみに焦点を合わせており、直感的あるいは複数の主題の比較を制限するものではない。 本稿では、既存の3次元解剖学とコンパクトな2次元可視化を組み合わせた脳線維クラスターのインタラクティブな可視化を可能にする、トラクトグラフィーデータのためのビジュアル解析ツールであるFiberStarsの設計と実装について述べる。 FiberStarsでは、複数の被験者を異なる視点で分析し、比較することができる。 ソフトウェアのユーザビリティを評価するため,我々は定量的なユーザ調査を行った。 ドメインの専門家や非専門家に、FiberStarsまたは既存のdMRI探査ツールを使って、トラクトグラフィーデータセットのパターンを見つけるように頼みました。 以上の結果から,FiberStars を用いた参加者は,より高速かつ正確にトラクトグラフィーのコレクションをナビゲートできることがわかった。 私たちの研究、ソフトウェア、成果はすべて公開されています。

関連論文リスト

• Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.096809077954095]
  拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。 FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:41:29Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Latent Space Explorer: Visual Analytics for Multimodal Latent Space Exploration [12.202104074544202]
  大規模なデータセットからトレーニングされたマルチモーダル機械学習モデルは、心臓病の発症を予測する可能性がある。 Latent Space Explorerはインタラクティブな視覚化を提供しており、ユーザーは被写体のマルチモーダルな表現を探索することができる。 ユーザースタディは、医学の専門家とともに行われ、彼らのフィードバックは、ラテント・エクスプローラーが分析にどのように役立つかについての有益な洞察を提供した。
  論文  参考訳（メタデータ） (2023-12-01T15:25:56Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• Medical Image Analysis using Deep Relational Learning [1.8465474345655504]
  医用画像セグメンテーションを行うために,特徴間の暗黙的関係情報を効果的にモデル化するコンテキスト対応完全畳み込みネットワークを提案する。 そこで我々は,隣接するフレーム間の空間的関係を学習し,正確な医用画像モザイクを実現するために,新しい階層的ホモグラフィー推定ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:10:12Z)
• 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)
• 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)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。