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/ran domised_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/ran domized_filteringを介して自由に配布される。
関連論文リスト
- Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。
ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文 参考訳(メタデータ) (2022-03-09T14:08:38Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳(メタデータ) (2022-02-23T18:57:53Z) - 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) - Deep Convolutional Correlation Iterative Particle Filter for Visual
Tracking [1.1531505895603305]
本研究では,反復的粒子フィルタ,深部畳み込みニューラルネットワーク,相関フィルタを統合した視覚追跡のための新しいフレームワークを提案する。
我々は, K-平均クラスタリングを適用して, 繰り返し後の粒子の可能性を評価する新しい手法を採用した。
2つの異なるベンチマークデータセットの実験結果は、トラッカーが最先端の手法に対して好適に動作することを示している。
論文 参考訳(メタデータ) (2021-07-07T02:44:43Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳(メタデータ) (2021-05-29T08:39:57Z) - 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) - MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using
Deep Learning [0.0]
本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。
MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
論文 参考訳(メタデータ) (2021-04-28T18:12:51Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳(メタデータ) (2021-04-26T19:31:21Z) - Stochastic Gradient Variance Reduction by Solving a Filtering Problem [0.951828574518325]
ディープニューラルネットワーク(DNN)は一般的に最適化された勾配降下(SGD)を用いる
試料を用いた勾配推定はノイズが多く信頼性が低い傾向にあり, 勾配のばらつきが大きく, 収束不良が生じる。
勾配を一貫した推定を行う効率的な最適化アルゴリズムである textbfFilter Gradient Decent (FGD) を提案する。
論文 参考訳(メタデータ) (2020-12-22T23:48:42Z)
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。