論文の概要: SUGAR: Spherical Ultrafast Graph Attention Framework for Cortical Surface Registration

• arxiv url: http://arxiv.org/abs/2307.00511v1
• Date: Sun, 2 Jul 2023 08:19:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 15:35:21.270291
• Title: SUGAR: Spherical Ultrafast Graph Attention Framework for Cortical Surface Registration
• Title（参考訳）: SUGAR: 皮質表面登録のための球面超高速グラフ注意フレームワーク
• Authors: Jianxun Ren, Ning An, Youjia Zhang, Danyang Wang, Zhenyu Sun, Cong Lin, Weigang Cui, Weiwei Wang, Ying Zhou, Wei Zhang, Qingyu Hu, Ping Zhang, Dan Hu, Danhong Wang, Hesheng Liu
• Abstract要約: 皮質表面の登録は、個人間で皮質の機能的特徴と解剖学的特徴の整合において重要な役割を担っている。 近年,学習ベースの登録アルゴリズムが有望なソリューションとして登場している。 我々は,厳密な登録と非厳密な登録のための統一された教師なしディープラーニングフレームワークSUGARを提案する。
• 参考スコア（独自算出の注目度）: 15.606186190173883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cortical surface registration plays a crucial role in aligning cortical functional and anatomical features across individuals. However, conventional registration algorithms are computationally inefficient. Recently, learning-based registration algorithms have emerged as a promising solution, significantly improving processing efficiency. Nonetheless, there remains a gap in the development of a learning-based method that exceeds the state-of-the-art conventional methods simultaneously in computational efficiency, registration accuracy, and distortion control, despite the theoretically greater representational capabilities of deep learning approaches. To address the challenge, we present SUGAR, a unified unsupervised deep-learning framework for both rigid and non-rigid registration. SUGAR incorporates a U-Net-based spherical graph attention network and leverages the Euler angle representation for deformation. In addition to the similarity loss, we introduce fold and multiple distortion losses, to preserve topology and minimize various types of distortions. Furthermore, we propose a data augmentation strategy specifically tailored for spherical surface registration, enhancing the registration performance. Through extensive evaluation involving over 10,000 scans from 7 diverse datasets, we showed that our framework exhibits comparable or superior registration performance in accuracy, distortion, and test-retest reliability compared to conventional and learning-based methods. Additionally, SUGAR achieves remarkable sub-second processing times, offering a notable speed-up of approximately 12,000 times in registering 9,000 subjects from the UK Biobank dataset in just 32 minutes. This combination of high registration performance and accelerated processing time may greatly benefit large-scale neuroimaging studies.
• Abstract（参考訳）: 皮質表面の登録は、個人間の皮質機能的および解剖学的特徴の調整において重要な役割を担っている。 しかし、従来の登録アルゴリズムは計算的に非効率である。 近年,学習に基づく登録アルゴリズムが有望なソリューションとして登場し,処理効率が大幅に向上した。 それでも、ディープラーニングアプローチの理論的により大きな表現能力にもかかわらず、計算効率、登録精度、歪み制御を同時に行う最先端の手法を超える学習ベースの手法の開発にはギャップがある。 この課題に対処するために,厳密な登録と非厳密な登録のための統一された教師なしディープラーニングフレームワークSUGARを提案する。 SUGARはU-Netベースの球面グラフアテンションネットワークを導入し、変形にオイラー角表現を利用する。 類似性損失に加えて,折りたたみと多重歪み損失を導入し,トポロジーを保ち,様々な種類の歪みを最小化する。 さらに,球面登録用に特別に調整したデータ拡張戦略を提案し,登録性能を向上させる。 7つの多種多様なデータセットから1万以上のスキャンを行った結果,従来の手法や学習に基づく手法と比較して,精度,歪み,テスト-テスト信頼性において同等か優れた登録性能を示した。 さらにsugarは、驚くべきサブ秒処理時間を達成し、英国のバイオバンクデータセットから9000人の被験者をわずか32分で登録することで、約12,000回のスピードアップを実現している。 この高い登録性能と高速化された処理時間の組み合わせは、大規模な神経画像研究に大いに役立つかもしれない。

関連論文リスト

• GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration [8.896542371748115]
  本稿では,皮質表面画像登録技術を研究するためのディープラーニングモデルを構築した。 マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計する。 グラフ対応モジュールを登録ネットワークに導入し、グラフアテンションモジュールを使用してネットワークがグローバルな機能を学ぶのを支援する。
  論文  参考訳（メタデータ） (2024-10-18T18:21:47Z)
• Haste Makes Waste: A Simple Approach for Scaling Graph Neural Networks [37.41604955004456]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 GNNを大規模グラフのアプリケーションに拡張するための様々なサンプリング手法が提案されている。
  論文  参考訳（メタデータ） (2024-10-07T18:29:02Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Unsupervised inter-frame motion correction for whole-body dynamic PET using convolutional long short-term memory in a convolutional neural network [9.349668170221975]
  我々は、フレーム間の身体の動きを補正するための教師なしのディープラーニングベースのフレームワークを開発する。 運動推定ネットワークは、畳み込み長短期記憶層を組み合わせた畳み込みニューラルネットワークである。 トレーニング後,提案したネットワークの動作推定時間は,従来の登録ベースラインの約460倍の速度であった。
  論文  参考訳（メタデータ） (2022-06-13T17:38:16Z)
• Voxelmorph++ Going beyond the cranial vault with keypoint supervision and multi-channel instance optimisation [8.88841928746097]
  近年のLearn2Regベンチマークでは,単スケールU-Netアーキテクチャーは腹部または患者内肺登録の最先端性能に劣っている。 本稿では、この精度のギャップを大幅に減らすための2つの簡単な手順を提案する。 まず、離散化されたヒートマップを予測する新しいネットワークヘッドを備えたキーポイント・セルフスーパービジョンを用いる。 次に、複数の学習した微調整ステップを、手作りの機能とAdamオプティマイザでひとつのインスタンスに置き換える。
  論文  参考訳（メタデータ） (2022-02-28T19:23:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Constraining Volume Change in Learned Image Registration for Lung CTs [4.37795447716986]
  本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。 我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。 本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
  論文  参考訳（メタデータ） (2020-11-29T14:09:31Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。