論文の概要: Filtering in tractography using autoencoders (FINTA)
- arxiv url: http://arxiv.org/abs/2010.04007v2
- Date: Sat, 31 Jul 2021 16:26:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 23:03:01.992633
- Title: Filtering in tractography using autoencoders (FINTA)
- Title(参考訳): オートエンコーダ(finta)を用いたトラクトグラフィにおけるフィルタリング
- Authors: Jon Haitz Legarreta, Laurent Petit, Fran\c{c}ois Rheault, Guillaume
Theaud, Carl Lemaire, Maxime Descoteaux and Pierre-Marc Jodoin
- Abstract要約: 拡散MRIからストリームラインをフィルタリングするオートエンコーダに基づく新しい学習法について述べる。
我々の手法はFINTAと呼ばれ、生の未計算のトラクトグラムを用いてオートエンコーダを訓練し、脳の流動性の堅牢な表現を学習する。
その結果,FINTAは従来の解剖学的手法に比べてフィルタ性能が優れていることがわかった。
- 参考スコア(独自算出の注目度): 5.8135956130576965
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Current brain white matter fiber tracking techniques show a number of
problems, including: generating large proportions of streamlines that do not
accurately describe the underlying anatomy; extracting streamlines that are not
supported by the underlying diffusion signal; and under-representing some fiber
populations, among others. In this paper, we describe a novel autoencoder-based
learning method to filter streamlines from diffusion MRI tractography, and
hence, to obtain more reliable tractograms. Our method, dubbed FINTA (Filtering
in Tractography using Autoencoders) uses raw, unlabeled tractograms to train
the autoencoder, and to learn a robust representation of brain streamlines.
Such an embedding is then used to filter undesired streamline samples using a
nearest neighbor algorithm. Our experiments on both synthetic and in vivo human
brain diffusion MRI tractography data obtain accuracy scores exceeding the 90\%
threshold on the test set. Results reveal that FINTA has a superior filtering
performance compared to conventional, anatomy-based methods, and the
RecoBundles state-of-the-art method. Additionally, we demonstrate that FINTA
can be applied to partial tractograms without requiring changes to the
framework. We also show that the proposed method generalizes well across
different tracking methods and datasets, and shortens significantly the
computation time for large (>1 M streamlines) tractograms. Together, this work
brings forward a new deep learning framework in tractography based on
autoencoders, which offers a flexible and powerful method for white matter
filtering and bundling that could enhance tractometry and connectivity
analyses.
- Abstract(参考訳): 現在の脳白質繊維追跡技術は、下層の解剖を正確に記述しない流線を大量に生成すること、基盤となる拡散信号によって支持されない流線を抽出すること、繊維集団を過小に表現することなど、多くの問題を示している。
本稿では,拡散MRIからストリームラインをフィルタリングするオートエンコーダを用いた新しい学習手法について述べる。
FINTA (Filtering in Tractography using Autoencoder) と呼ばれるこの手法では、生のトラクタグラムを用いてオートエンコーダを訓練し、脳のストリープラインの堅牢な表現を学習する。
このような埋め込みは、望ましくないストリームラインサンプルを最も近いアルゴリズムでフィルタリングするために使われる。
人工脳拡散MRIデータと生体内脳拡散MRIデータを用いた実験により, テストセットの90%以上の精度のスコアを得た。
その結果,fintaは従来の解剖学的手法やreobundles state-of-the-art法に比べてフィルタリング性能が優れていることがわかった。
さらに、FINTAはフレームワークの変更を必要とせず、部分的なトラクトグラムに適用可能であることを示す。
また,提案手法は,異なる追跡手法やデータセットにまたがってよく一般化し,大規模(>1M)トラクトグラムの計算時間を著しく短縮することを示した。
この研究は、オートエンコーダをベースとした、トラクトグラフィーの新しいディープラーニングフレームワークを提供する。これは、トラクトメトリーと接続性分析を強化するための、ホワイトマターフィルタリングとバンドルのための柔軟で強力な方法を提供する。
関連論文リスト
- Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。
妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
論文 参考訳(メタデータ) (2024-08-26T14:54:14Z) - 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) - Merging multiple input descriptors and supervisors in a deep neural
network for tractogram filtering [5.817874864936685]
トラクトグラムフィルタリングは、トラクトグラフィーデータから偽陽性のストリーニングを後処理ステップで除去するオプションである。
本稿では,各流路をエム・プラウシブル,不確定,あるいはエム・インコンセプティブルに分類したトラクトグラフィーデータをフィルタリングするディープニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2023-07-11T20:27:12Z) - Constrained self-supervised method with temporal ensembling for fiber
bundle detection on anatomic tracing data [0.08329098197319453]
本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。
異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
論文 参考訳(メタデータ) (2022-08-06T19:17:02Z) - 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) - Assessing Streamline Plausibility Through Randomized Iterative
Spherical-Deconvolution Informed Tractogram Filtering [0.0]
トラクトグラフィーは脳接続研究において欠かせない部分となっている。
最先端のトラクトグラフィー法によって生成されたトラクトグラムの流動性は解剖学的には不可能である。
本研究では, トラクトグラムのテクスト球面インフォームドフィルタ (SIFT) について検討する。
本稿では,各ストリームに対して複数の評価値を取得するために,無作為に選択されたトラクトグラムサブセットにSIFTを適用することを提案する。
論文 参考訳(メタデータ) (2022-05-10T12:36:30Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳(メタデータ) (2021-05-29T08:39:57Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。