論文の概要: Deep Feature Fusion via Graph Convolutional Network for Intracranial Artery Labeling

• arxiv url: http://arxiv.org/abs/2205.10757v1
• Date: Sun, 22 May 2022 06:11:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 14:11:05.399215
• Title: Deep Feature Fusion via Graph Convolutional Network for Intracranial Artery Labeling
• Title（参考訳）: 頭蓋内ラベリングのためのグラフ畳み込みネットワークによる深部核融合
• Authors: Yaxin Zhu, Peisheng Qian, Ziyuan Zhao, Zeng Zeng
• Abstract要約: 頭蓋内動脈は、脳に酸素を供給している重要な血管である。 脳動脈の解剖学的ラベル付けにおいて、様々な機械学習アルゴリズムが自動化されている。 本研究では,脳動脈ラベリングのための深部核融合を用いた新しいグラフ畳み込みニューラルネットワークについて検討した。
• 参考スコア（独自算出の注目度）: 9.85779770378859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intracranial arteries are critical blood vessels that supply the brain with oxygenated blood. Intracranial artery labels provide valuable guidance and navigation to numerous clinical applications and disease diagnoses. Various machine learning algorithms have been carried out for automation in the anatomical labeling of cerebral arteries. However, the task remains challenging because of the high complexity and variations of intracranial arteries. This study investigates a novel graph convolutional neural network with deep feature fusion for cerebral artery labeling. We introduce stacked graph convolutions in an encoder-core-decoder architecture, extracting high-level representations from graph nodes and their neighbors. Furthermore, we efficiently aggregate intermediate features from different hierarchies to enhance the proposed model's representation capability and labeling performance. We perform extensive experiments on public datasets, in which the results prove the superiority of our approach over baselines by a clear margin.
• Abstract（参考訳）: 頭蓋内動脈は、脳に酸素血液を供給する重要な血管である。 頭蓋内動脈ラベルは多くの臨床応用と疾患診断に貴重なガイダンスとナビゲーションを提供する。 脳動脈の解剖学的ラベル付けにおいて、様々な機械学習アルゴリズムが自動化されている。 しかし, 頭蓋内動脈の複雑化と変化のため, 課題は依然として困難なままである。 本研究では,新しいグラフ畳み込みニューラルネットワークによる脳動脈標識法について検討した。 本稿では,エンコーダコアデコーダアーキテクチャにおけるグラフ畳み込みを導入し,グラフノードとその周辺部から高レベル表現を抽出する。 さらに,各階層の中間的特徴を効率よく集約し,モデル表現能力とラベル付け性能を向上させる。 公開データセットに関する広範な実験を行い、その結果がベースラインよりも明確なマージンによるアプローチの優位性を証明した。

関連論文リスト

• End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
  本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。 このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。 この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
  論文  参考訳（メタデータ） (2024-07-17T13:34:05Z)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Fully Automated Tree Topology Estimation and Artery-Vein Classification [0.0]
  網膜血管トポロジー(網膜血管トポロジー)を抽出するための完全自動的手法,すなわち,異なる血管が相互にどのように結びついているかを示す。 我々は,網膜動脈-静脈分類における最先端の結果を得るために,抽出法の有用性を検証した。
  論文  参考訳（メタデータ） (2022-02-04T20:40:01Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning and Neuroscience (VesselGraph) [3.846749674808336]
  本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。 我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。 我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
  論文  参考訳（メタデータ） (2021-08-30T13:40:48Z)
• Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
  ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。 自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
  論文  参考訳（メタデータ） (2020-08-30T08:15:18Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement [45.85443690049826]
  属性付きリレーショナルグラフにおけるノードとエッジのタイプを分類し,動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 我々の手法は97.5%の精度でノードラベリングを行い、63.8%のスキャンはウィリスのすべてのノードに対して正しくラベル付けされた。
  論文  参考訳（メタデータ） (2020-07-11T06:22:35Z)

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。