論文の概要: FIESTA: FIber gEneration and bundle Segmentation in Tractography using Autoencoders

• arxiv url: http://arxiv.org/abs/2212.00143v1
• Date: Wed, 30 Nov 2022 22:28:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 15:48:05.453684
• Title: FIESTA: FIber gEneration and bundle Segmentation in Tractography using Autoencoders
• Title（参考訳）: fiesta: オートエンコーダを用いたトラクトグラフィにおけるファイバ生成とバンドルセグメンテーション
• Authors: F\'elix Dumais, Jon Haitz Legarreta, Carl Lemaire, Philippe Poulin, Fran\c{c}ois Rheault, Laurent Petit, Maxime Descoteaux, Pierre-Marc Jodoin
• Abstract要約: FIESTA (Fiber gEneration and bundle in Tractography using Autoencoders) は信頼性が高く、堅牢で、完全に自動化され、半自動調整が容易なパイプラインである。 我々のフレームワークは、ある解剖学的バンドル定義から別の解剖学的バンドル定義への移行を、限界校正時間で可能にする。 提案手法はRecoBundles, RecoBundlesX, TractSeg, White Matter Analysis, XTRACTなどの最先端の仮想解剖法よりも信頼性が高いことを示す。
• 参考スコア（独自算出の注目度）: 5.53598943343223
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: White matter bundle segmentation is a cornerstone of modern tractography to study the brain's structural connectivity in domains such as neurological disorders, neurosurgery, and aging. In this study, we present FIESTA (FIber gEneration and bundle Segmentation in Tractography using Autoencoders), a reliable and robust, fully automated, and easily semi-automatically calibrated pipeline based on deep autoencoders that can dissect and fully populate WM bundles. Our framework allows the transition from one anatomical bundle definition to another with marginal calibrating time. This pipeline is built upon FINTA, CINTA, and GESTA methods that demonstrated how autoencoders can be used successfully for streamline filtering, bundling, and streamline generation in tractography. Our proposed method improves bundling coverage by recovering hard-to-track bundles with generative sampling through the latent space seeding of the subject bundle and the atlas bundle. A latent space of streamlines is learned using autoencoder-based modeling combined with contrastive learning. Using an atlas of bundles in standard space (MNI), our proposed method segments new tractograms using the autoencoder latent distance between each tractogram streamline and its closest neighbor bundle in the atlas of bundles. Intra-subject bundle reliability is improved by recovering hard-to-track streamlines, using the autoencoder to generate new streamlines that increase each bundle's spatial coverage while remaining anatomically meaningful. Results show that our method is more reliable than state-of-the-art automated virtual dissection methods such as RecoBundles, RecoBundlesX, TractSeg, White Matter Analysis and XTRACT. Overall, these results show that our framework improves the practicality and usability of current state-of-the-art bundling framework
• Abstract（参考訳）: ホワイトマター束のセグメンテーションは、神経疾患、神経外科、老化といった領域における脳の構造的結合を研究する現代の道筋学の基盤である。 本研究では,wmバンドルの分離と完全投入が可能な深層オートエンコーダに基づく,信頼性が高く,堅牢で,完全自動化され,容易に半自動調整されたパイプラインであるfiesta (fiber generation and bundle segmentation in tractography using autoencoder)を提案する。 我々のフレームワークは、ある解剖学的バンドル定義から別の解剖学的バンドル定義への移行を可能にする。 このパイプラインは、FINTA、CINTA、GESTAメソッドに基づいて構築されており、オートエンコーダが、トラクトグラフィーにおけるストレートラインフィルタリング、バンドル、およびストリームライン生成にどのようにうまく使用できるかを実証している。 提案手法は, 被検体バンドルとアトラスバンドルの潜時空間播種による生成サンプリングにより, ハード・ツー・トラックバンドルを回収し, バンドリング範囲を改善する。 オートエンコーダベースのモデリングとコントラスト学習を組み合わせて、流線形の潜在空間を学習する。 提案手法は,標準空間(MNI)におけるバンドルのアトラスを用いて,各トラクトグラムストリームラインのオートエンコーダ遅延距離と,バンドルのアトラスに近接するバンドル間の距離を用いて,新しいトラクトグラムを分割する。 自動エンコーダを使用して、解剖学的に意味のあるまま、各バンドルの空間カバレッジを増加させる新しいストリームラインを生成することで、サブジェクト内のバンドルの信頼性が向上する。 提案手法はRecoBundles, RecoBundlesX, TractSeg, White Matter Analysis, XTRACTなどの最先端の仮想解剖法よりも信頼性が高いことを示す。 これらの結果から,本フレームワークは現状の組立フレームワークの実用性とユーザビリティの向上を図っている。

関連論文リスト

• Generalizing Segmentation Foundation Model Under Sim-to-real Domain-shift for Guidewire Segmentation in X-ray Fluoroscopy [1.4353812560047192]
  Sim-to-real ドメイン適応アプローチは、コスト効率の良いソリューションを提供するシミュレーションから合成データを利用する。 対象領域のアノテーションを使わずに、SAMを蛍光X線ガイドワイヤセグメント化に適応させる戦略を提案する。 提案手法は、事前訓練されたSAMと、最先端のドメイン適応技術の両方を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2024-10-09T21:59:48Z)
• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
  本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。 複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。 乳がんの病理組織像データセットの多様性について検討した。
  論文  参考訳（メタデータ） (2024-06-12T19:17:17Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• 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)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• Generative sampling in tractography using autoencoders (GESTA) [5.817874864936685]
  現在のトラクトグラフィー手法では、シード位置からの流線型を伝播するために、局所的な向き情報を用いる。 GESTAと呼ばれる生成型オートエンコーダベースの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-22T18:49:22Z)
• 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)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)

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。