論文の概要: A computational geometry approach for modeling neuronal fiber pathways
- arxiv url: http://arxiv.org/abs/2108.01175v1
- Date: Mon, 2 Aug 2021 21:16:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 14:01:59.715134
- Title: A computational geometry approach for modeling neuronal fiber pathways
- Title(参考訳): 神経線維経路モデリングのための計算幾何学的アプローチ
- Authors: S. Shailja, Angela Zhang, and B.S. Manjunath
- Abstract要約: トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。
ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。
アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
- 参考スコア(独自算出の注目度): 10.741721423684305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel and efficient algorithm to model high-level topological
structures of neuronal fibers. Tractography constructs complex neuronal fibers
in three dimensions that exhibit the geometry of white matter pathways in the
brain. However, most tractography analysis methods are time consuming and
intractable. We develop a computational geometry-based tractography
representation that aims to simplify the connectivity of white matter fibers.
Given the trajectories of neuronal fiber pathways, we model the evolution of
trajectories that encodes geometrically significant events and calculate their
point correspondence in the 3D brain space. Trajectory inter-distance is used
as a parameter to control the granularity of the model that allows local or
global representation of the tractogram. Using diffusion MRI data from
Alzheimer's patient study, we extract tractography features from our model for
distinguishing the Alzheimer's subject from the normal control. Software
implementation of our algorithm is available on GitHub.
- Abstract(参考訳): 神経線維の高レベルトポロジー構造をモデル化する新規で効率的なアルゴリズムを提案する。
トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。
しかし,ほとんどのトラクトグラフィー解析手法は時間がかかり,難易度が高い。
ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。
神経線維経路の軌跡から、幾何学的に重要な事象を符号化し、3次元脳空間における点対応を計算する軌跡の進化をモデル化する。
軌道間距離は、トラクトグラムの局所的あるいは大域的表現を可能にするモデルの粒度を制御するパラメータとして用いられる。
アルツハイマー病患者研究の拡散mriデータを用いて, 本モデルから気道像の特徴を抽出し, アルツハイマー病患者を正常なコントロールと区別する。
アルゴリズムのソフトウェア実装はgithubで公開されている。
関連論文リスト
- LaB-GATr: geometric algebra transformers for large biomedical surface
and volume meshes [1.6451639748812472]
高忠実度メッシュを用いた学習のための幾何学的トークン化を備えた深層ニューラルネットワークLaB-GATrを提案する。
LaB-GATrは、心臓血管血行動態モデリングと神経発達型表現型予測の3つの課題について最先端の結果を得る。
以上の結果から,LaB-GATrは高忠実度メッシュで学習するための強力なアーキテクチャであることを示す。
論文 参考訳(メタデータ) (2024-03-12T11:19:46Z) - 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) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - NeuroGF: A Neural Representation for Fast Geodesic Distance and Path
Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。
具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。
NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T13:32:21Z) - GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from
Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。
具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文 参考訳(メタデータ) (2023-03-24T03:32:02Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳(メタデータ) (2023-02-01T18:32:06Z) - 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) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - Deep Learning the Shape of the Brain Connectome [6.165163123577484]
私たちは、ディープニューラルネットワークを使って脳の測地線を推定する方法を初めて示します。
提案手法は, 測地・白色・マター・パスのアライメントにおいて優れた性能を発揮する。
論文 参考訳(メタデータ) (2022-03-06T17:51:31Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z)
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。