論文の概要: Deep fiber clustering: Anatomically informed fiber clustering with
self-supervised deep learning for fast and effective tractography
parcellation
- arxiv url: http://arxiv.org/abs/2205.00627v3
- Date: Sat, 8 Jul 2023 13:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 19:35:12.855094
- Title: Deep fiber clustering: Anatomically informed fiber clustering with
self-supervised deep learning for fast and effective tractography
parcellation
- Title（参考訳）: 深層ファイバクラスタリング : 自己教師付き深層学習による解剖学的にインフォームドされた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: 白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。
DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。
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 is an important strategy for white matter
parcellation, which enables quantitative analysis of brain connections in
health and disease. In combination with expert neuroanatomical labeling,
data-driven white matter fiber clustering is a powerful tool for creating
atlases that can model white matter anatomy across individuals. While widely
used fiber clustering approaches have shown good performance using classical
unsupervised machine learning techniques, recent advances in deep learning
reveal a promising direction toward fast and effective fiber clustering. In
this work, we propose a novel deep learning framework for white matter fiber
clustering, 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 process learns a
high-dimensional embedding feature representation for each fiber, regardless of
the order of fiber points reconstructed during tractography. 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 to improve anatomical coherence of clusters. In addition, DFC
conducts outlier removal naturally by rejecting fibers with low cluster
assignment probability. We evaluate DFC on three independently acquired
cohorts, including data from 220 individuals across genders, ages (young and
elderly adults), and different health conditions (healthy control and multiple
neuropsychiatric disorders). We compare DFC to several state-of-the-art white
matter fiber clustering algorithms. Experimental results demonstrate superior
performance of DFC in terms of cluster compactness, generalization ability,
anatomical coherence, and computational efficiency.
- Abstract（参考訳）: ホワイトマター・ファイバ・クラスタリングは、健康と病気における脳の関連を定量的に分析できるホワイトマター・パーセラレーションの重要な戦略である。
専門的な神経解剖学的ラベリングと組み合わせることで、データ駆動型白質繊維クラスタリングは、個人間の白質解剖をモデル化するアトラスを作成するための強力なツールである。
広く使われているファイバクラスタリング手法は、従来の教師なし機械学習技術による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、高速で効果的なファイバクラスタリングに向けた有望な方向を示している。
本研究では,白質繊維クラスタリング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。
このプロセスは、トラクトログラフィで再構成された繊維点の順序に関係なく、各繊維の高次元埋め込み特徴表現を学習する。
入力ファイバを点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,クラスタの解剖学的コヒーレンスを改善する新たなネットワークアーキテクチャを設計した。
さらに、DFCは、クラスタ割り当て確率の低いファイバを拒絶することで、自然に外周除去を行う。
性別,年齢(若年者および高齢者),健康状態(健康管理および複数の神経精神疾患)の220人を対象に,dfcを独立に獲得した3つのコホートについて評価した。
DFCと最先端の白質ファイバクラスタリングアルゴリズムを比較した。
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。
関連論文リスト
- 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) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - 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) - Multiple-view clustering for identifying subject clusters and brain
sub-networks using functional connectivity matrices without vectorization [0.0]
Wishart混合モデルに基づく新しいマルチビュークラスタリング手法を提案する。
この手法の独特な点は、被験者のマルチビュークラスタリングがノードの特定のネットワークに基づいていることである。
論文 参考訳（メタデータ） (2020-10-20T00:51:45Z)
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。