論文の概要: FIESTA: Autoencoders for accurate fiber segmentation in tractography
- arxiv url: http://arxiv.org/abs/2212.00143v3
- Date: Thu, 24 Aug 2023 17:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 18:43:04.342793
- Title: FIESTA: Autoencoders for accurate fiber segmentation in tractography
- Title（参考訳）: fiesta: 正確なファイバセグメンテーションのための自動エンコーダ
- Authors: F\'elix Dumais, Jon Haitz Legarreta, Carl Lemaire, Philippe Poulin,
Fran\c{c}ois Rheault, Laurent Petit, Muhamed Barakovic, Stefano Magon, Maxime
Descoteaux, Pierre-Marc Jodoin (for the Alzheimer's Disease Neuroimaging
Initiative)
- Abstract要約: ホワイトマターバンドルセグメンテーション(White matter bundle segmentation)は、神経疾患、神経外科、老化などの領域における脳の構造的接続を研究するための、現代のトラクトグラフィーの基盤である。
FIESTA (FIbEr in Tractography using Autoencoders) は信頼性が高く、堅牢で、完全に自動化され、深層オートエンコーダをベースとした半自動校正パイプラインである。
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）: 0.451460103439387
- 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
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 white matter bundles. This
pipeline is built upon previous works that demonstrated how autoencoders can be
used successfully for streamline filtering, bundle segmentation, and streamline
generation in tractography. Our proposed method improves bundle segmentation
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 the spatial coverage of each bundle while remaining anatomically
correct. 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. Our framework allows for the
transition from one anatomical bundle definition to another with marginal
calibration efforts. Overall, these results show that our framework improves
the practicality and usability of current state-of-the-art bundle segmentation
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,信頼度が高く,ロバストで,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 segmentation in tractography using autoencoder)を提案する。
このパイプラインは、オートエンコーダが、流線形フィルタリング、バンドルセグメンテーション、気道図の流線形生成にどのように役立つかを実証した以前の作業に基づいて構築されている。
提案手法は,被写体バンドルとアトラスバンドルの潜在空間シードによる生成的サンプリングにより,追跡の難しいバンドルを回収することで,バンドルのセグメンテーション範囲を改善する。
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。
オートエンコーダを用いて、解剖学的に正しい状態で各バンドルの空間的カバレッジを増大させる新しいストリームラインを生成することにより、オブジェクト内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。
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。
これらの結果から,本フレームワークは現状のバンドルセグメンテーション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。