論文の概要: Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning for Fast and Effective White Matter Parcellation

• arxiv url: http://arxiv.org/abs/2107.04938v1
• Date: Sun, 11 Jul 2021 01:36:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 15:58:35.038847
• Title: Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning for Fast and Effective White Matter Parcellation
• Title（参考訳）: ディープファイバクラスタリング:高速かつ効果的なホワイトマターパーセレーションのための解剖学的非教師なしディープラーニング
• Authors: Yuqian Chen, Chaoyi Zhang, Yang Song, Nikos Makris, Yogesh Rathi, Weidong Cai, Fan Zhang, Lauren J. O'Donnell
• Abstract要約: 教師なしディープラーニングに基づく新しいWMFCフレームワークを提案する。 畳み込みニューラルネットワークを用いて入力ファイバの埋め込みを学習し、ペアワイズファイバ距離を擬似アノテーションとして利用する。 その結果,提案手法の性能と効率性が向上した。
• 参考スコア（独自算出の注目度）: 21.835894924330752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: White matter fiber clustering (WMFC) enables parcellation of white matter tractography for applications such as disease classification and anatomical tract segmentation. However, the lack of ground truth and the ambiguity of fiber data (the points along a fiber can equivalently be represented in forward or reverse order) pose challenges to this task. We propose a novel WMFC framework based on unsupervised deep learning. We solve the unsupervised clustering problem as a self-supervised learning task. Specifically, we use a convolutional neural network to learn embeddings of input fibers, using pairwise fiber distances as pseudo annotations. This enables WMFC that is insensitive to fiber point ordering. In addition, anatomical coherence of fiber clusters is improved by incorporating brain anatomical segmentation data. The proposed framework enables outlier removal in a natural way by rejecting fibers with low cluster assignment probability. We train and evaluate our method using 200 datasets from the Human Connectome Project. Results demonstrate superior performance and efficiency of the proposed approach.
• Abstract（参考訳）: ホワイトマター・ファイバ・クラスタリング(wmfc)は、疾患分類や解剖学的道分画などの応用のためにホワイトマター・トラクトグラフィのパーセル化を可能にする。 しかし、基底真理の欠如とファイバーデータの曖昧さ(ファイバーに沿った点を前方または逆順に表すことができる)がこの課題に挑戦する。 教師なしディープラーニングに基づく新しいWMFCフレームワークを提案する。 我々は,教師なしクラスタリング問題を自己教師なし学習タスクとして解決する。 具体的には、畳み込みニューラルネットワークを用いて入力ファイバーの埋め込みを学習し、ペアワイズファイバー距離を擬似アノテーションとして使用する。 これにより、ファイバポイント順序に敏感なwmfcが可能になる。 さらに、脳解剖学的セグメンテーションデータを組み込むことにより、繊維クラスターの解剖学的コヒーレンスを向上させる。 提案フレームワークは, クラスタ割り当て確率の低いファイバを拒絶することにより, 自然に外乱除去を可能にする。 我々は,Human Connectome Projectから200のデータセットを用いて本手法を訓練し,評価する。 その結果,提案手法の性能と効率が向上した。

関連論文リスト

• XAI for Self-supervised Clustering of Wireless Spectrum Activity [0.5809784853115825]
  本稿では,深層クラスタリング,自己教師型学習アーキテクチャの方法論を提案する。 表現学習部では,入力データの関心領域の解釈にガイドバックプロパゲーションを用いる。 クラスタリングの部分は、クラスタリングの結果を説明するために、Shallow Treesに依存しています。 最後に、データ固有の視覚化部は、各クラスタと入力データとの接続を関連機能をトラフすることを可能にする。
  論文  参考訳（メタデータ） (2023-05-17T08:56:43Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Supervised Tractogram Filtering using Geometric Deep Learning [7.387834089452367]
  トラクトグラムは脳白質の仮想的な表現である。 トラクトグラム繊維の大部分は解剖学的に妥当ではなく、追跡手順のアーティファクトと見なすことができる。 我々は、新しい完全教師付き学習手法を用いて、そのような不明瞭な繊維をフィルタリングする問題に取り組む。
  論文  参考訳（メタデータ） (2022-12-06T19:52:29Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)
• Deep fiber clustering: Anatomically informed fiber clustering with self-supervised deep learning for fast and effective tractography parcellation [22.754116315299182]
  白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。 DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。 実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
  論文  参考訳（メタデータ） (2022-05-02T02:41:02Z)
• Clustering-Based Interpretation of Deep ReLU Network [17.234442722611803]
  我々はReLU関数の非線形挙動が自然なクラスタリングを引き起こすことを認識している。 本稿では,完全連結フィードフォワードReLUニューラルネットワークの解釈可能性を高める手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T09:24:11Z)
• A reusable pipeline for large-scale fiber segmentation on unidirectional fiber beds using fully convolutional neural networks [68.8204255655161]
  我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。 これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。 ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
  論文  参考訳（メタデータ） (2021-01-13T00:58:29Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。