論文の概要: Generative sampling in tractography using autoencoders (GESTA)

• arxiv url: http://arxiv.org/abs/2204.10891v1
• Date: Fri, 22 Apr 2022 18:49:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 13:41:36.935769
• Title: Generative sampling in tractography using autoencoders (GESTA)
• Title（参考訳）: オートエンコーダ(GESTA)を用いたトラクトグラフィーにおける生成的サンプリング
• Authors: Jon Haitz Legarreta and Laurent Petit and Pierre-Marc Jodoin and Maxime Descoteaux
• Abstract要約: 現在のトラクトグラフィー手法では、シード位置からの流線型を伝播するために、局所的な向き情報を用いる。 GESTAと呼ばれる生成型オートエンコーダベースの手法を提案する。
• 参考スコア（独自算出の注目度）: 5.817874864936685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current tractography methods use the local orientation information to propagate streamlines from seed locations. Many such seeds provide streamlines that stop prematurely or fail to map the true pathways because some white matter bundles are "harder-to-track" than others. This results in tractography reconstructions with poor white and gray matter spatial coverage. In this work, we propose a generative, autoencoder-based method, named GESTA (Generative Sampling in Tractography using Autoencoders), that produces streamlines with better spatial coverage. Compared to other deep learning methods, our autoencoder-based framework is not constrained by any prior or a fixed set of bundles. GESTA produces new and complete streamlines for any white matter bundle. GESTA is shown to be effective on both synthetic and human brain in vivo data. Our streamline evaluation framework ensures that the streamlines produced by GESTA are anatomically plausible and fit well to the local diffusion signal. The streamline evaluation criteria assess anatomy (white matter coverage), local orientation alignment (direction), geometry features of streamlines, and optionally, gray matter connectivity. The GESTA framework offers considerable gains in bundle coverage using a reduced set of seeding streamlines with a 1.5x improvement for the "Fiber Cup", and 6x for the ISMRM 2015 Tractography Challenge datasets. Similarly, it provides a 4x white matter volume increase on the BIL&GIN callosal homotopic dataset. It also successfully generates new streamlines in poorly populated bundles, such as the fornix and other hard-to-track bundles, on in vivo data. GESTA is thus the first deep tractography generative method that can improve white matter reconstruction of hard-to-track bundles.
• Abstract（参考訳）: 現在の道造影法は、局所方向情報を用いて、種子位置から流線を伝播させる。 このような種の多くは、ホワイトマターバンドルが他のものよりも「追跡が難しい」ため、早期停止や真の経路のマッピングに失敗する流線型を提供する。 その結果,白白白質と白質の空間被覆を欠いたトラクトグラフィーの再建が可能となった。 本研究では, GESTA (Generative Smpling in Tractography using Autoencoder) と呼ばれる生成型オートエンコーダに基づく手法を提案する。 他のディープラーニング手法と比較して、我々のオートエンコーダベースのフレームワークは、事前または固定されたバンドルセットに制約されない。 GESTAは、あらゆるホワイトマターバンドルに対して、新しく完全なストリームラインを生成する。 GESTAは人工脳とヒト脳の両方で有効であることが示されている。 我々の流線型評価フレームワークは,GESTAが生成する流線型が解剖学的に妥当であり,局所拡散信号に適合していることを保証する。 流線形評価基準は, 解剖学(白色物質被覆), 局所配向(方向), 流線型の幾何学的特徴, 灰白物質接続性を評価した。 GESTAフレームワークは、"Fiber Cup"の1.5倍の改善とISMRM 2015 Tractography Challengeデータセットの6倍の強化されたシードストリームラインを使用して、バンドルカバレッジを大幅に向上させる。 同様に、BIL&GINのカルロシンホモトピーデータセットに4倍の白色物質量増加を与える。 また、フォニックスや他のハード・ツー・トラック・バンドルのような低密度のバンドルでin vivoデータ上で新しいストリームラインを生成することに成功した。 したがってgestaは、ハード・トゥ・トラックバンドルのホワイトマター再構成を改善する最初のディープ・トラクトグラフィ生成法である。

関連論文リスト

• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• 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)
• Bundle-specific Tractogram Distribution Estimation Using Higher-order Streamline Differential Equation [15.371246200911651]
  本稿では,バンドル固有のトラクトグラム分布関数に基づく新しいトラクトグラフィー手法を提案する。 ファイバーバンドルを記述するために、高階のストリームライン微分方程式に対する統一的なフレームワークが提示される。 グローバルレベルでは,バンドル固有トラクトグラム分布(BTD)係数の推定として,トラクトグラフィー処理を単純化する。
  論文  参考訳（メタデータ） (2023-07-06T07:45:31Z)
• GeoLab: Geometry-based Tractography Parcellation of Superficial White Matter [3.3147826027601868]
  本稿では, 対象物から数百個の短い白色物質束を高速に分割する, 効率的な幾何学的解析法(GeoLab)を提案する。 この方法は657個のバンドルからなるEBRAINSヨーロッパインフラのSWMアトラスのために設計されている。
  論文  参考訳（メタデータ） (2023-03-02T10:52:30Z)
• FIESTA: Autoencoders for accurate fiber segmentation in tractography [0.451460103439387]
  ホワイトマターバンドルセグメンテーション(White matter bundle segmentation)は、神経疾患、神経外科、老化などの領域における脳の構造的接続を研究するための、現代のトラクトグラフィーの基盤である。 FIESTA (FIbEr in Tractography using Autoencoders) は信頼性が高く、堅牢で、完全に自動化され、深層オートエンコーダをベースとした半自動校正パイプラインである。 提案手法はRecoBundles, RecoBundlesX, TractSeg, White Matter Analysis, XTRACTなどの最先端の仮想解剖法よりも信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2022-11-30T22:28:24Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
  勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。 特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。 説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
  論文  参考訳（メタデータ） (2022-06-15T08:49:24Z)
• Filtering in tractography using autoencoders (FINTA) [5.8135956130576965]
  拡散MRIからストリームラインをフィルタリングするオートエンコーダに基づく新しい学習法について述べる。 我々の手法はFINTAと呼ばれ、生の未計算のトラクトグラムを用いてオートエンコーダを訓練し、脳の流動性の堅牢な表現を学習する。 その結果,FINTAは従来の解剖学的手法に比べてフィルタ性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T16:45:55Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。