論文の概要: Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces

• arxiv url: http://arxiv.org/abs/2009.02797v2
• Date: Sat, 12 Sep 2020 03:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:32:27.470543
• Title: Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces
• Title（参考訳）: 未熟児皮質表面の経時的予測のための成長軌跡の深部モデリング
• Authors: Peirong Liu, Zhengwang Wu, Gang Li, Pew-Thian Yap and Dinggang Shen
• Abstract要約: 空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
• 参考スコア（独自算出の注目度）: 58.780482825156035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Charting cortical growth trajectories is of paramount importance for understanding brain development. However, such analysis necessitates the collection of longitudinal data, which can be challenging due to subject dropouts and failed scans. In this paper, we will introduce a method for longitudinal prediction of cortical surfaces using a spatial graph convolutional neural network (GCNN), which extends conventional CNNs from Euclidean to curved manifolds. The proposed method is designed to model the cortical growth trajectories and jointly predict inner and outer cortical surfaces at multiple time points. Adopting a binary flag in loss calculation to deal with missing data, we fully utilize all available cortical surfaces for training our deep learning model, without requiring a complete collection of longitudinal data. Predicting the surfaces directly allows cortical attributes such as cortical thickness, curvature, and convexity to be computed for subsequent analysis. We will demonstrate with experimental results that our method is capable of capturing the nonlinearity of spatiotemporal cortical growth patterns and can predict cortical surfaces with improved accuracy.
• Abstract（参考訳）: 皮質成長軌跡のグラフ化は、脳の発達を理解する上で最も重要である。 しかし、このような分析は縦断データの収集を必要とするため、被験者の欠落とスキャンの失敗が問題となる可能性がある。 本稿では,従来のCNNをユークリッド多様体から曲線多様体に拡張した空間グラフ畳み込みニューラルネットワーク(GCNN)を用いて,皮質表面の長手予測手法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数の点において内外皮質表面を共同予測する。 損失計算にバイナリフラグを適用して、すべての利用可能な皮質表面を、時系列データの完全な収集を必要とせず、深層学習モデルのトレーニングに活用する。 表面の予測は皮質の厚さ、曲率、凸度などの皮質特性を直接計算し、その後の解析を行う。 本研究では, 時空間的皮質成長パターンの非線形性を計測し, 精度を向上して皮質表面を予測できることを実験的に示す。

関連論文リスト

• SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features [17.457540767016223]
  現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。 本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-サーフェスグラフニューラルネットワーク(SurfGNN)を提案する。 SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理する。
  論文  参考訳（メタデータ） (2024-11-05T08:39:53Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep Learning Framework Incorporating Laplace's Equation [10.416464319867881]
  本研究では, 学習過程において, 大脳皮質の形状に関する事前知識をネットワークに組み込む, 深層学習に基づく新しい皮質分割法を提案する。 提案手法は,定量的かつ定性的に,ベースラインセグメンテーションネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-01T19:48:45Z)
• A Deep Generative Model of Neonatal Cortical Surface Development [0.688204255655161]
  球状化した新生児大脳皮質表面の特徴を成熟の異なる段階間で翻訳するための表面ベースCycleGANを実装した。 以上の結果から, 妊娠後期における皮質組織の個々のパターンの変化を確実に予測できることが示された。 皮質成熟のシミュレートされた相違は、文献の観察と一致している。
  論文  参考訳（メタデータ） (2022-06-15T13:59:43Z)
• 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)
• CortexODE: Learning Cortical Surface Reconstruction by Neural ODEs [12.239318066719068]
  CortexODEは皮質表面再構成のためのディープラーニングフレームワークである。 自動学習ベースのパイプラインに統合して,表面を6秒以内で効率的に再構築することも可能だ。 実験により,CortexODEに基づくパイプラインは平均幾何誤差が0.2mm未満であることを示す。
  論文  参考訳（メタデータ） (2022-02-16T20:57:59Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
  T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。 結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
  論文  参考訳（メタデータ） (2020-10-04T19:46:04Z)

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。