論文の概要: Integrated Construction of Multimodal Atlases with Structural
Connectomes in the Space of Riemannian Metrics
- arxiv url: http://arxiv.org/abs/2109.09808v1
- Date: Mon, 20 Sep 2021 19:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:22:31.188544
- Title: Integrated Construction of Multimodal Atlases with Structural
Connectomes in the Space of Riemannian Metrics
- Title（参考訳）: リーマン計量空間における構造コネクトームを用いた多モードアトラスの統合的構成
- Authors: Kristen M. Campbell, Haocheng Dai, Zhe Su, Martin Bauer, P. Thomas
Fletcher, Sarang C. Joshi
- Abstract要約: 構造コネクトームは無限次元多様体上の点として表現できることを示す。
次に、このフレームワークをオブジェクト指向統計分析に適用してアトラスを定義する。
対象のサブセットから推定した拡散テンソルから得られたT1画像とコネクトームを用いた3次元マルチモーダルアトラスの例を構築した。
- 参考スコア（独自算出の注目度）: 9.067368638784355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The structural network of the brain, or structural connectome, can be
represented by fiber bundles generated by a variety of tractography methods.
While such methods give qualitative insights into brain structure, there is
controversy over whether they can provide quantitative information, especially
at the population level. In order to enable population-level statistical
analysis of the structural connectome, we propose representing a connectome as
a Riemannian metric, which is a point on an infinite-dimensional manifold. We
equip this manifold with the Ebin metric, a natural metric structure for this
space, to get a Riemannian manifold along with its associated geometric
properties. We then use this Riemannian framework to apply object-oriented
statistical analysis to define an atlas as the Fr\'echet mean of a population
of Riemannian metrics. This formulation ties into the existing framework for
diffeomorphic construction of image atlases, allowing us to construct a
multimodal atlas by simultaneously integrating complementary white matter
structure details from DWMRI and cortical details from T1-weighted MRI. We
illustrate our framework with 2D data examples of connectome registration and
atlas formation. Finally, we build an example 3D multimodal atlas using T1
images and connectomes derived from diffusion tensors estimated from a subset
of subjects from the Human Connectome Project.
- Abstract（参考訳）: 脳の構造的ネットワーク(または構造的コネクトーム)は、様々な経路図法によって生成される繊維束によって表される。
このような手法は脳の構造に定性的な洞察を与えるが、特に人口レベルで定量的な情報を提供できるかどうかについては議論がある。
構造コネクトームの集団レベルの統計解析を可能にするために,無限次元多様体上の点であるリーマン計量としてコネクトームを表現することを提案する。
この多様体に、この空間の自然な計量構造であるエビン計量を同値とし、リーマン多様体とその関連する幾何学的性質を得る。
次に、このリーマン的フレームワークを用いてオブジェクト指向統計解析を適用して、アトラスをリーマン計量の集団の Fr\'echet 平均として定義する。
この定式化は,DWMRIとT1強調MRIの皮質像の相補的な白質構造を同時に統合することにより,画像アトラスの微分型構築のための既存の枠組みと結びついている。
我々は,コネクトーム登録とアトラス形成の2次元データ例を用いて,本フレームワークについて解説する。
最後に,Human Connectome Projectのサブセットから推定した拡散テンソルから得られたT1画像とコネクトームを用いた3次元マルチモーダルアトラスの例を構築した。
関連論文リスト
- Score-based pullback Riemannian geometry [10.649159213723106]
本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。
データサポートを通して高品質な測地学を作成し、データ多様体の固有次元を確実に推定する。
我々のフレームワークは、訓練中に等方性正規化を採用することで、自然に異方性正規化フローで使用することができる。
論文 参考訳（メタデータ） (2024-10-02T18:52:12Z) - Sigma Flows for Image and Data Labeling and Learning Structured Prediction [2.4699742392289]
本稿では,リーマン多様体上で観測されたデータの構造化ラベル付け予測のためのシグマフローモデルを提案する。
このアプローチは、約25年前にSochen、Kimmel、Malladiが導入したイメージデノナイズとエンハンスメントのためのLaplace-Beltramiフレームワークと、著者らが導入し研究した代入フローアプローチを組み合わせたものだ。
論文 参考訳（メタデータ） (2024-08-28T17:04:56Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳（メタデータ） (2024-02-03T19:00:19Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。
楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文 参考訳（メタデータ） (2023-10-02T09:23:32Z) - Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。
提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
論文 参考訳（メタデータ） (2023-02-28T15:31:23Z) - A singular Riemannian geometry approach to Deep Neural Networks I.
Theoretical foundations [77.86290991564829]
ディープニューラルネットワークは、音声認識、機械翻訳、画像解析など、いくつかの科学領域で複雑な問題を解決するために広く使われている。
我々は、リーマン計量を備えた列の最後の多様体で、多様体間の写像の特定の列を研究する。
このようなシーケンスのマップの理論的性質について検討し、最終的に実践的な関心を持つニューラルネットワークの実装間のマップのケースに焦点を当てる。
論文 参考訳（メタデータ） (2021-12-17T11:43:30Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳（メタデータ） (2021-05-06T17:36:55Z) - Joint Geometric and Topological Analysis of Hierarchical Datasets [7.098759778181621]
本稿では,複数の階層的データセットに整理された高次元データに注目する。
この研究の主な新規性は、トポロジカルデータ分析と幾何多様体学習という、2つの強力なデータ分析アプローチの組み合わせにある。
本手法は, 最新手法と比較して優れた分類結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-04-03T13:02:00Z) - Structural Connectome Atlas Construction in the Space of Riemannian
Metrics [0.0]
無限次元多様体内の点としてのコネクトームをebin計量を用いて解析する。
我々は,Human Connectome Projectのサブセットから推定された拡散テンソルから導かれるコネクトームの登録とアトラス形成を実証した。
論文 参考訳（メタデータ） (2021-03-09T21:46:02Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳（メタデータ） (2020-02-18T17:58:07Z)
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。