論文の概要: Supervised Tractogram Filtering using Geometric Deep Learning

• arxiv url: http://arxiv.org/abs/2212.03300v1
• Date: Tue, 6 Dec 2022 19:52:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 16:50:55.137866
• Title: Supervised Tractogram Filtering using Geometric Deep Learning
• Title（参考訳）: 幾何学的深層学習を用いた教師付きトラクトグラムフィルタリング
• Authors: Pietro Astolfi, Ruben Verhagen, Laurent Petit, Emanuele Olivetti, Silvio Sarubbo, Jonathan Masci, Davide Boscaini, Paolo Avesani
• Abstract要約: トラクトグラムは脳白質の仮想的な表現である。 トラクトグラム繊維の大部分は解剖学的に妥当ではなく、追跡手順のアーティファクトと見なすことができる。 我々は、新しい完全教師付き学習手法を用いて、そのような不明瞭な繊維をフィルタリングする問題に取り組む。
• 参考スコア（独自算出の注目度）: 7.387834089452367
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A tractogram is a virtual representation of the brain white matter. It is composed of millions of virtual fibers, encoded as 3D polylines, which approximate the white matter axonal pathways. To date, tractograms are the most accurate white matter representation and thus are used for tasks like presurgical planning and investigations of neuroplasticity, brain disorders, or brain networks. However, it is a well-known issue that a large portion of tractogram fibers is not anatomically plausible and can be considered artifacts of the tracking procedure. With Verifyber, we tackle the problem of filtering out such non-plausible fibers using a novel fully-supervised learning approach. Differently from other approaches based on signal reconstruction and/or brain topology regularization, we guide our method with the existing anatomical knowledge of the white matter. Using tractograms annotated according to anatomical principles, we train our model, Verifyber, to classify fibers as either anatomically plausible or non-plausible. The proposed Verifyber model is an original Geometric Deep Learning method that can deal with variable size fibers, while being invariant to fiber orientation. Our model considers each fiber as a graph of points, and by learning features of the edges between consecutive points via the proposed sequence Edge Convolution, it can capture the underlying anatomical properties. The output filtering results highly accurate and robust across an extensive set of experiments, and fast; with a 12GB GPU, filtering a tractogram of 1M fibers requires less than a minute. Verifyber implementation and trained models are available at https://github.com/FBK-NILab/verifyber.
• Abstract（参考訳）: トラクトグラムは脳白質の仮想的な表現である。 数百万の仮想繊維から構成され、白色物質軸索経路を近似する3Dポリラインとしてコード化されている。 現在までに、トラクトグラムは最も正確な白黒物質表現であり、前外科的計画や神経可塑性、脳障害、脳ネットワークの調査などに用いられている。 しかし, トラクトグラム繊維の大部分は解剖学的に妥当ではなく, 追跡術の工芸品と考えられることはよく知られている。 そこでverifyberでは,完全教師付き学習手法を用いて,このような非可愛らしい繊維をフィルタリングする問題に取り組んでいる。 信号再構成や脳トポロジーの正則化に基づく他のアプローチとは異なり,既存の白質の解剖学的知識を用いて手法を指導する。 解剖学の原則に従ってアノテートされたトラクトグラムを用いて、我々のモデルであるVerifyberを訓練し、繊維を解剖学的に可塑性または非楽観的と分類する。 提案したVerifyberモデルは, 繊維配向に不変でありながら, 可変サイズの繊維を扱える幾何学的深層学習法である。 本モデルでは,各ファイバーを点のグラフと考え,提案する系列エッジ畳み込みによって連続点間のエッジの特徴を学習することで,基礎となる解剖学的性質を捉えることができる。 12GBのGPUでは、1Mファイバーのトラクグラムをフィルタリングするのに1分もかからない。 Verifyberの実装とトレーニングされたモデルはhttps://github.com/FBK-NILab/verifyber.comで入手できる。

関連論文リスト

• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• 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)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
  トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。 ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。 アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
  論文  参考訳（メタデータ） (2021-08-02T21:16:29Z)
• Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning for Fast and Effective White Matter Parcellation [21.835894924330752]
  教師なしディープラーニングに基づく新しいWMFCフレームワークを提案する。 畳み込みニューラルネットワークを用いて入力ファイバの埋め込みを学習し、ペアワイズファイバ距離を擬似アノテーションとして利用する。 その結果,提案手法の性能と効率性が向上した。
  論文  参考訳（メタデータ） (2021-07-11T01:36:57Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• 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)
• Tractogram filtering of anatomically non-plausible fibers with geometric deep learning [7.758302353877525]
  トラクトグラムは脳の白質繊維の仮想的な表現である。 それらは、前外科的計画や神経可塑性や脳障害の研究といったタスクに主に関心がある。 残念なことに、これらの繊維の大部分は解剖学的に可塑性ではなく、追跡アルゴリズムの人工物と見なすことができる。 トラクトグラムフィルタリングの一般的な方法は、信号再構成(原則化されたアプローチ)に基づいているが、脳解剖学の知識を考慮できない。
  論文  参考訳（メタデータ） (2020-03-24T17:56:44Z)

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。