論文の概要: DFC: Anatomically Informed Fiber Clustering with Self-supervised Deep
Learning for Fast and Effective Tractography Parcellation
- arxiv url: http://arxiv.org/abs/2205.00627v1
- Date: Mon, 2 May 2022 02:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 15:18:05.183274
- Title: DFC: Anatomically Informed Fiber Clustering with Self-supervised Deep
Learning for Fast and Effective Tractography Parcellation
- Title（参考訳）: DFC:高速かつ効果的なトラクトグラフィ解析のための自己教師型深層学習による解剖学的インフォームドファイバクラスタリング
- Authors: Yuqian Chen, Chaoyi Zhang, Tengfei Xue, Yang Song, Nikos Makris,
Yogesh Rathi, Weidong Cai, Fan Zhang, Lauren J. O'Donnell
- Abstract要約: ホワイトマターファイバクラスタリング(WMFC)は、トラクトグラフィーデータを有意義なファイバーバンドルに解析する。
近年のディープラーニングの進歩は、高速かつ効果的なWMFCに向けた有望な方向性を明らかにしている。
WMFC, Deep Fiber Clustering (DFC)のための新しいディープラーニングフレームワークを提案する。
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。
- 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 fiber clustering (WMFC) parcellates tractography data into
anatomically meaningful fiber bundles, usually in an unsupervised manner
without the need of labeled ground truth data. While widely used WMFC
approaches have shown good performance using classical machine learning
techniques, recent advances in deep learning reveal a promising direction
towards fast and effective WMFC. In this work, we propose a novel deep learning
framework for WMFC, Deep Fiber Clustering (DFC), which solves the unsupervised
clustering problem as a self-supervised learning task with a domain-specific
pretext task to predict pairwise fiber distances. This accelerates the fiber
representation learning to handle a known challenge in WMFC, i.e., the
sensitivity of clustering results to the point ordering along fibers. We design
a novel network architecture that represents input fibers as point clouds and
allows the incorporation of additional sources of input information from gray
matter parcellation. Thus DFC makes use of the combined white matter fiber
geometry and gray matter anatomical parcellation to improve anatomical
coherence of fiber clusters. In addition, DFC conducts outlier removal in a
natural way by rejecting fibers with low cluster assignment probabilities. We
evaluate DFC on three independently acquired cohorts (including data from 220
subjects) and compare it to several state-of-the-art WMFC algorithms.
Experimental results demonstrate superior performance of DFC in terms of
cluster compactness, generalization ability, anatomical coherence, and
computational efficiency. In addition, DFC parcellates whole brain tractography
with 50k fibers in about 1.5 minutes, providing a fast and efficient tool for
large data analysis.
- Abstract（参考訳）: ホワイトマターファイバクラスタリング(wmfc)は、解剖学データを解剖学的に有意義なファイババンドルに分離する。
広く使われているWMFCアプローチは、古典的な機械学習技術を用いて優れた性能を示しているが、近年のディープラーニングの進歩は、高速で効果的なWMFCに向けた有望な方向性を明らかにしている。
本研究では,wmfcのための新しい深層学習フレームワークであるdeep fiber clustering (dfc)を提案する。
これにより、ファイバ表現学習が加速され、wmfcにおける既知の課題、すなわち、ファイバに沿った点順序に対するクラスタリング結果の感度が処理される。
入力ファイバをポイントクラウドとして表現し,灰色物質パルセレーションから追加の入力情報ソースを取り込み可能な,新たなネットワークアーキテクチャを設計した。
したがって、dfcは白質繊維の幾何構造と灰色物質の解剖学的パーセレーションを組み合わせて、繊維クラスターの解剖学的コヒーレンスを改善する。
さらに、DFCは、クラスタ割り当て確率の低い繊維を拒絶することにより、自然な方法で外部除去を行う。
独立に取得した3つのコホート(対象220件のデータを含む)上でDFCを評価し,いくつかの最先端WMFCアルゴリズムと比較した。
実験結果は,クラスタコンパクト性,一般化能力,解剖学的コヒーレンス,計算効率において,dfcの優れた性能を示す。
さらに、DFCは50k繊維で約1.5分で脳のトラクトグラフィー全体を解析し、大規模データ解析のための高速で効率的なツールを提供する。
関連論文リスト
- A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI [9.958759471577068]
Deep Multi-view Fiber Clustering (DMVFC) は、機能的に一貫したホワイトマター解析を可能にするために、ジョイントdMRIとfMRIデータを使用する。
DMVFCは、WMファイバの幾何学的特性と、ファイバトラクトに沿ったfMRI BOLD信号とを効果的に統合することができる。
論文 参考訳（メタデータ） (2024-11-04T07:21:06Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。
パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。
E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-10-15T03:08:25Z) - 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) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳（メタデータ） (2022-10-09T02:31:32Z) - 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) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning
for Fast and Effective White Matter Parcellation [21.835894924330752]
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。
論文 参考訳（メタデータ） (2021-07-11T01:36:57Z) - 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)
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。