論文の概要: SupWMA: Consistent and Efficient Tractography Parcellation of
Superficial White Matter with Deep Learning
- arxiv url: http://arxiv.org/abs/2201.12528v1
- Date: Sat, 29 Jan 2022 08:42:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 17:05:22.868349
- Title: SupWMA: Consistent and Efficient Tractography Parcellation of
Superficial White Matter with Deep Learning
- Title（参考訳）: SupWMA:深層学習による表面白質の一貫性と効率的なトラクトグラフィ解析
- Authors: Tengfei Xue, Fan Zhang, Chaoyi Zhang, Yuqian Chen, Yang Song, Nikos
Makris, Yogesh Rathi, Weidong Cai, Lauren J. O'Donnell
- Abstract要約: 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深白物質(DWM)に焦点をあてるが、その複雑さのため表面白物質(SWM)に対処する手法は少ない。
深層学習を基盤としたSupWMA(Superficial White Matter Analysis)を提案する。
- 参考スコア（独自算出の注目度）: 22.754116315299182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: White matter parcellation classifies tractography streamlines into clusters
or anatomically meaningful tracts to enable quantification and visualization.
Most parcellation methods focus on the deep white matter (DWM), while fewer
methods address the superficial white matter (SWM) due to its complexity. We
propose a deep-learning-based framework, Superficial White Matter Analysis
(SupWMA), that performs an efficient and consistent parcellation of 198 SWM
clusters from whole-brain tractography. A point-cloud-based network is modified
for our SWM parcellation task, and supervised contrastive learning enables more
discriminative representations between plausible streamlines and outliers. We
perform evaluation on a large tractography dataset with ground truth labels and
on three independently acquired testing datasets from individuals across ages
and health conditions. Compared to several state-of-the-art methods, SupWMA
obtains a highly consistent and accurate SWM parcellation result. In addition,
the computational speed of SupWMA is much faster than other methods.
- Abstract（参考訳）: ホワイトマターパーセレーションは、定量化と可視化を可能にするために、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深白物質(DWM)に焦点を当てているが、その複雑さのため表面白物質(SWM)に対処する手法は少ない。
そこで本研究では,全脳道造影から198個のswtクラスターの効率的かつ一貫したパーセル化を行う,深層的ホワイトマター分析(superficial white matter analysis,supwma)という深層学習フレームワークを提案する。
SWMパーセレーションタスクのために、ポイントクラウドベースのネットワークが修正され、教師付きコントラスト学習により、可視なストリームラインとアウトリーチの間のより差別的な表現が可能になる。
我々は,地上の真実ラベルを用いた大規模トラクトグラフィーデータセットと,年齢や健康状態の個人から独立に取得した3つの試験データセットを用いて評価を行った。
いくつかの最先端手法と比較して、SupWMAは高度に一貫性があり正確なSWM解析結果を得る。
さらに、SupWMAの計算速度は他の手法よりもはるかに高速である。
関連論文リスト
- Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T14:18:11Z) - TractCloud: Registration-free tractography parcellation with a novel
local-global streamline point cloud representation [63.842881844791094]
現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。
我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
論文 参考訳（メタデータ） (2023-07-18T06:35:12Z) - TBSS++: A novel computational method for Tract-Based Spatial Statistics [6.1908590616944785]
クロスオブジェクト tract-specific analysis は、dMRIにおける最も一般的な計算の1つである。
これらの研究の正確さと信頼性は、被験者間で同じ白い物質を正確に比較できる能力に基づいている。
既存の手法の限界を克服する新しい計算フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-07T22:12:51Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - 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) - MMGL: Multi-Scale Multi-View Global-Local Contrastive learning for
Semi-supervised Cardiac Image Segmentation [18.275478722238123]
医用画像セグメンテーションのためのマルチスケールグローバル・ローカル・コントラスト学習フレームワークを提案する。
MM-WHSデータセットの実験は、半教師付き心筋画像のセグメンテーションにおけるMMGLフレームワークの有効性を示した。
論文 参考訳（メタデータ） (2022-07-05T08:24:46Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Semi-supervised Multi-task Learning for Semantics and Depth [88.77716991603252]
MTL(Multi-Task Learning)は、関連するタスク間で表現を共有することで、モデル一般化を強化することを目的としている。
そこで本研究では,異なるデータセットから利用可能な監視信号を活用するために,半教師付きマルチタスク学習(MTL)手法を提案する。
本稿では,データセット間の整合性の問題を軽減するために,様々なアライメントの定式化を施したドメイン認識識別器構造を提案する。
論文 参考訳（メタデータ） (2021-10-14T07:43:39Z) - Learning Multi-Modal Volumetric Prostate Registration with Weak
Inter-Subject Spatial Correspondence [2.6894568533991543]
MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。
MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
論文 参考訳（メタデータ） (2021-02-09T16:48:59Z) - Active Learning under Label Shift [80.65643075952639]
重要度とクラスバランスサンプリングのトレードオフを取り入れた「メディカル分布」を導入する。
ラベルシフト(MALLS)下でのメディア型アクティブラーニングの複雑さと一般化保証を実証する。
我々は、MALLSスケールを高次元データセットに実証的に示し、深層学習タスクにおいて、アクティブラーニングのサンプル複雑性を60%削減することができる。
論文 参考訳（メタデータ） (2020-07-16T17:30:02Z)
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。