論文の概要: AutoAtlas: Neural Network for 3D Unsupervised Partitioning and Representation Learning

• arxiv url: http://arxiv.org/abs/2010.15987v3
• Date: Thu, 11 Nov 2021 14:38:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 22:44:13.234769
• Title: AutoAtlas: Neural Network for 3D Unsupervised Partitioning and Representation Learning
• Title（参考訳）: AutoAtlas: 教師なし分割と表現学習のためのニューラルネットワーク
• Authors: K. Aditya Mohan, Alan D. Kaplan
• Abstract要約: AutoAtlasは、ボリュームの局所的なテクスチャに基づいたマルチラベルパーティショニングを実行するニューラルネットワークと、各パーティショニングに含まれる情報を圧縮する第2のニューラルネットワークの2つのニューラルネットワークコンポーネントで構成されている。 本研究は,被験者間の類似した空間的位置を連続的に観察しながら,被験者の脳組織の特定の構造変化に適応することを示す。 抽出した特徴表現を用いて各被験者に関連付けられたメタデータの予測を行い,FreeSurferの解剖学的解析から得られた特徴を用いた予測と比較した。
• 参考スコア（独自算出の注目度）: 2.538209532048867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel neural network architecture called AutoAtlas for fully unsupervised partitioning and representation learning of 3D brain Magnetic Resonance Imaging (MRI) volumes. AutoAtlas consists of two neural network components: one neural network to perform multi-label partitioning based on local texture in the volume, and a second neural network to compress the information contained within each partition. We train both of these components simultaneously by optimizing a loss function that is designed to promote accurate reconstruction of each partition, while encouraging spatially smooth and contiguous partitioning, and discouraging relatively small partitions. We show that the partitions adapt to the subject specific structural variations of brain tissue while consistently appearing at similar spatial locations across subjects. AutoAtlas also produces very low dimensional features that represent local texture of each partition. We demonstrate prediction of metadata associated with each subject using the derived feature representations and compare the results to prediction using features derived from FreeSurfer anatomical parcellation. Since our features are intrinsically linked to distinct partitions, we can then map values of interest, such as partition-specific feature importance scores onto the brain for visualization.
• Abstract（参考訳）: 我々は3次元脳磁気共鳴イメージング(MRI)ボリュームの完全教師なし分割と表現学習のためのAutoAtlasと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 AutoAtlasは、ボリュームの局所的なテクスチャに基づいたマルチラベルパーティショニングを実行するニューラルネットワークと、各パーティショニングに含まれる情報を圧縮する第2のニューラルネットワークの2つのニューラルネットワークコンポーネントで構成されている。 各分割の正確な再構築を促進するために設計された損失関数を最適化し、空間的に滑らかで連続的な分割を奨励し、比較的小さな分割を回避し、両コンポーネントを同時に訓練する。 本研究は,被験者間の類似した空間的位置を連続的に観察しながら,被験者の脳組織の特定の構造変化に適応することを示す。 AutoAtlasはまた、各パーティションの局所的なテクスチャを表す非常に低次元の特徴も生成する。 抽出された特徴表現を用いて各被験者に関連付けられたメタデータを予測し,自由サーフィン解剖学的パーセレーションから得られた特徴を用いて結果を予測と比較する。 私たちの特徴は本質的に異なるパーティションに結びついているので、パーティション固有の特徴重要度スコアなどの興味ある値を脳にマッピングして視覚化することができます。

関連論文リスト

• Self-Supervised Representation Learning for Nerve Fiber Distribution Patterns in 3D-PLI [36.136619420474766]
  3D-PLI(3D-PLI)は、高分解能の髄質神経線維の微細構造を観察できる顕微鏡イメージング技術である。 3D-PLIにおけるファイバアーキテクチャのオブザーバ非依存的特徴付けのためのベストプラクティスはまだ提供されていない。 自己教師付き表現学習を用いた3次元PLI画像における神経線維構造を特徴付けるための完全データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-30T17:49:53Z)
• 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)
• Neural Groundplans: Persistent Neural Scene Representations from a Single Image [90.04272671464238]
  本稿では,シーンの2次元画像観察を永続的な3次元シーン表現にマッピングする手法を提案する。 本稿では,永続的でメモリ効率のよいシーン表現として,条件付きニューラルグラウンドプランを提案する。
  論文  参考訳（メタデータ） (2022-07-22T17:41:24Z)
• Unsupervised learning of features and object boundaries from local prediction [0.0]
  本稿では,各因子が追加のバイナリ変数とペアリングされ,その因子をオン/オフに切り替える,ペアワイズマルコフ確率場モデルによる特徴写像の層を導入する。 マルコフ確率場要素の特徴とパラメータの両方を、さらなる監視信号なしで画像から学習することができる。 宇宙空間での計算予測はセグメンテーションと特徴学習の両方に役立ち、これらの予測を最適化するために訓練されたモデルは人間の視覚システムと類似性を示す。
  論文  参考訳（メタデータ） (2022-05-27T18:54:10Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Graph Neural Networks for 3D Multi-Object Tracking [28.121708602059048]
  3次元多物体追跡(MOT)は自律システムにとって不可欠である。 最近の作業では、しばしばトラッキング・バイ・検出パイプラインを使用します。 本稿では,グラフニューラルネットワークを導入した新しい特徴相互作用機構を提案する。
  論文  参考訳（メタデータ） (2020-08-20T17:55:41Z)
• 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)

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。