論文の概要: Assessing Streamline Plausibility Through Randomized Iterative
Spherical-Deconvolution Informed Tractogram Filtering
- arxiv url: http://arxiv.org/abs/2205.04843v1
- Date: Tue, 10 May 2022 12:36:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 14:37:05.718702
- Title: Assessing Streamline Plausibility Through Randomized Iterative
Spherical-Deconvolution Informed Tractogram Filtering
- Title（参考訳）: ランダム化反復球面デコンボリューションインフォームドトラクトグラムフィルタによるラインプラズビリティの評価
- Authors: Antonia Hain (1), Daniel J\"orgens (2 and 3), Rodrigo Moreno (3) ((1)
Saarland University, Faculty of Mathematics and Computer Science,
Saarbr\"ucken, Germany, (2) Division of Brain, Imaging, and Behaviour,
Krembil Research Institute, Toronto Western Hospital, University Health
Network, Toronto, Canada, (3) KTH Royal Institute of Technology, Department
of Biomedical Engineering and Health Systems, Stockholm, Sweden)
- Abstract要約: トラクトグラフィーは脳接続研究において欠かせない部分となっている。
最先端のトラクトグラフィー法によって生成されたトラクトグラムの流動性は解剖学的には不可能である。
本研究では, トラクトグラムのテクスト球面インフォームドフィルタ (SIFT) について検討する。
本稿では,各ストリームに対して複数の評価値を取得するために,無作為に選択されたトラクトグラムサブセットにSIFTを適用することを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tractography has become an indispensable part of brain connectivity studies.
However, it is currently facing problems with reliability. In particular, a
substantial amount of nerve fiber reconstructions (streamlines) in tractograms
produced by state-of-the-art tractography methods are anatomically implausible.
To address this problem, tractogram filtering methods have been developed to
remove faulty connections in a postprocessing step. This study takes a closer
look at one such method, \textit{Spherical-deconvolution Informed Filtering of
Tractograms} (SIFT), which uses a global optimization approach to improve the
agreement between the remaining streamlines after filtering and the underlying
diffusion magnetic resonance imaging data. SIFT is not suitable to judge the
plausibility of individual streamlines since its results depend on the size and
composition of the surrounding tractogram. To tackle this problem, we propose
applying SIFT to randomly selected tractogram subsets in order to retrieve
multiple assessments for each streamline. This approach makes it possible to
identify streamlines with very consistent filtering results, which were used as
pseudo ground truths for training classifiers. The trained classifier is able
to distinguish the obtained groups of plausible and implausible streamlines
with accuracy above 80%. The software code used in the paper and pretrained
weights of the classifier are distributed freely via the Github repository
https://github.com/djoerch/randomised_filtering.
- Abstract（参考訳）: トラクトグラフィーは脳接続研究において不可欠である。
しかし、現在信頼性の問題に直面している。
特に、最先端のトラクトグラフィー法によって生成されたトラクトグラムの神経線維再構築(流線)は解剖学的には不可能である。
この問題に対処するため, トラクトグラムフィルタリング法が開発され, 後処理工程における故障接続を除去した。
本研究は, フィルタ後の残流線と基礎となる拡散磁気共鳴画像データとの整合性を改善するために, 大域的最適化手法を用いた, トラクトグラムの球面デコンボリューションインフォームドフィルタ (SIFT) について, より詳しく検討する。
SIFTは, 周囲のトラクトグラムの大きさや構成に依存するため, 個々の流線型の妥当性を判定するには適していない。
この問題に対処するために、各ストリームラインに対する複数の評価を取得するために、ランダムに選択されたトラクトグラムサブセットにSIFTを適用することを提案する。
このアプローチにより、トレーニング分類器の擬似基底真理として使われた非常に一貫したフィルタリング結果で、ストリームラインを識別することができる。
訓練された分類器は、得られた妥当で目立たない流線群を80%以上の精度で識別することができる。
論文で使用されているソフトウェアコードと分類器の事前トレーニングされた重みは、githubリポジトリhttps://github.com/djoerch/randomized_filteringを介して自由に配布される。
関連論文リスト
- Merging multiple input descriptors and supervisors in a deep neural
network for tractogram filtering [5.817874864936685]
トラクトグラムフィルタリングは、トラクトグラフィーデータから偽陽性のストリーニングを後処理ステップで除去するオプションである。
本稿では,各流路をエム・プラウシブル,不確定,あるいはエム・インコンセプティブルに分類したトラクトグラフィーデータをフィルタリングするディープニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2023-07-11T20:27:12Z) - Rotation-Scale Equivariant Steerable Filters [1.213915839836187]
生検組織のデジタル組織像は、任意の向きと倍率で撮影でき、異なる解像度で保存できる。
本稿では、ステアブルフィルタとスケール空間理論を組み込んだ回転スケール可変フィルタ(RSESF)を提案する。
我々の手法は他の手法よりも優れており、トレーニング可能なパラメータは少なく、GPUリソースも少ない。
論文 参考訳（メタデータ） (2023-04-10T14:13:56Z) - Computational Doob's h-transforms for Online Filtering of Discretely
Observed Diffusions [65.74069050283998]
本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。
提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
論文 参考訳（メタデータ） (2022-06-07T15:03:05Z) - Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。
CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-12-02T12:04:59Z) - FILTRA: Rethinking Steerable CNN by Filter Transform [59.412570807426135]
操舵可能なCNNの問題は群表現論の側面から研究されている。
フィルタ変換によって構築されたカーネルは群表現論でも解釈可能であることを示す。
この解釈は、ステアブルCNN理論のパズルを完成させ、ステアブル畳み込み演算子を実装するための、新しく簡単なアプローチを提供する。
論文 参考訳（メタデータ） (2021-05-25T03:32:34Z) - Equivalence of Correlation Filter and Convolution Filter in Visual
Tracking [10.820122999766713]
相関フィルタは視覚追跡にうまく適用されている。
畳み込みフィルタは通常、画像処理においてぼやけ、研削、エンボス、エッジ検出などに使用される。
論文 参考訳（メタデータ） (2021-05-01T04:05:37Z) - SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。
冗長フィルタは、異なる特徴の逆数過程において発見できる。
提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
論文 参考訳（メタデータ） (2020-10-21T03:02:01Z) - 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) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳（メタデータ） (2020-05-06T07:41:22Z) - Filter Grafting for Deep Neural Networks: Reason, Method, and
Cultivation [86.91324735966766]
フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである
本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。
我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
論文 参考訳（メタデータ） (2020-04-26T08:36:26Z)
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。