Fugu-MT 論文翻訳(概要): 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks

論文の概要: 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2103.05259v1
Date: Tue, 9 Mar 2021 07:09:42 GMT
ステータス: 処理完了
システム内更新日: 2021-03-10 14:47:52.800698
Title: 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks
Title（参考訳）: 2Dヒストロジーと3Dトポロジー--グラフニューラルネットワークを用いた細胞構造的脳マッピング
Authors: Christian Schiffer, Stefan Harmeling, Katrin Amunts, Timo Dickscheid
Abstract要約: 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
参考スコア（独自算出の注目度）: 0.8602553195689513
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cytoarchitecture describes the spatial organization of neuronal cells in the brain, including their arrangement into layers and columns with respect to cell density, orientation, or presence of certain cell types. It allows to segregate the brain into cortical areas and subcortical nuclei, links structure with connectivity and function, and provides a microstructural reference for human brain atlases. Mapping boundaries between areas requires to scan histological sections at microscopic resolution. While recent high-throughput scanners allow to scan a complete human brain in the order of a year, it is practically impossible to delineate regions at the same pace using the established gold standard method. Researchers have recently addressed cytoarchitectonic mapping of cortical regions with deep neural networks, relying on image patches from individual 2D sections for classification. However, the 3D context, which is needed to disambiguate complex or obliquely cut brain regions, is not taken into account. In this work, we combine 2D histology with 3D topology by reformulating the mapping task as a node classification problem on an approximate 3D midsurface mesh through the isocortex. We extract deep features from cortical patches in 2D histological sections which are descriptive of cytoarchitecture, and assign them to the corresponding nodes on the 3D mesh to construct a large attributed graph. By solving the brain mapping problem on this graph using graph neural networks, we obtain significantly improved classification results. The proposed framework lends itself nicely to integration of additional neuroanatomical priors for mapping.
Abstract（参考訳）: 細胞アーキテクチャ(Cytoarchitecture)は、脳内の神経細胞の空間構成を記述し、細胞密度、オリエンテーション、または特定の細胞型の存在に関する層および列の配置を含む。これは、脳を皮質領域および皮質核に分離し、構造を接続性と機能と結びつけ、人間の脳のアトラスの微細構造参照を提供する。領域間の領域のマッピングは、顕微鏡で組織学的領域をスキャンする必要がある。最近の高スループットスキャナは人間の脳全体を1年単位でスキャンできるが、確立された金標準法を用いて同じペースで領域を並べ替えることは事実上不可能である。研究者は最近、個々の2Dセクションのイメージパッチに頼って、深層ニューラルネットワークを用いた皮質領域の細胞構造的マッピングに取り組みました。しかし、複雑または斜めに切断された脳領域を曖昧にするために必要な3Dコンテキストは考慮されません。本研究では,2次元ヒストロジーと3次元トポロジーを結合し,等角線を経由する近似3次元中面メッシュ上のノード分類問題としてマッピングタスクを再構成する。細胞構造を記述した2次元組織学セクションの皮質パッチから深い特徴を抽出し,それを3次元メッシュ上の対応するノードに割り当て,大きな帰結グラフを構築する。このグラフ上の脳マッピング問題をグラフニューラルネットワークで解くことで、分類結果を大幅に改善しました。提案されたフレームワークは、マッピングのための追加の神経解剖学の優先順位の統合にうまく機能する。

関連論文リスト

NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。 NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
論文参考訳（メタデータ） (2024-11-07T13:56:13Z)
Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
論文参考訳（メタデータ） (2023-11-26T10:33:36Z)
Graphics Capsule: Learning Hierarchical 3D Face Representations from 2D Images [82.5266467869448]
Inverse Graphics Capsule Network (IGC-Net) を提案する。 IGC-Netはまずオブジェクトをセマンティック一貫性のある部分レベルの記述の集合に分解し、それらをオブジェクトレベルの記述に組み立てて階層を構築する。
論文参考訳（メタデータ） (2023-03-20T06:32:55Z)
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)
Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T15:09:03Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Contrastive Representation Learning for Whole Brain Cytoarchitectonic Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-25T16:44:23Z)
Convolutional Neural Networks for cytoarchitectonic brain mapping at large scale [0.33727511459109777]
今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
論文参考訳（メタデータ） (2020-11-25T16:25:13Z)
CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging [90.78899127463445]
カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
論文参考訳（メタデータ） (2020-10-15T03:06:37Z)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)
ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation [1.7080853582489066]
2次元深層学習法はその計算効率に好適である。既存の2次元深層学習法では、3次元空間的情報を効果的に捉えることができない。我々は2次元畳み込みニューラルネットワーク(CNN)に3次元空間および解剖コンテキストを組み込む解剖コンテキストネットワーク(ACEnet)を開発した。提案手法は,脳構造セグメンテーションにおける最先端の代替手法と比較して,有望な性能を実現する。
論文参考訳（メタデータ） (2020-02-13T20:48:46Z)

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。