論文の概要: Bundle-specific Tractogram Distribution Estimation Using Higher-order Streamline Differential Equation

• arxiv url: http://arxiv.org/abs/2307.02825v1
• Date: Thu, 6 Jul 2023 07:45:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 14:55:11.680343
• Title: Bundle-specific Tractogram Distribution Estimation Using Higher-order Streamline Differential Equation
• Title（参考訳）: 高次流線微分方程式を用いた束特異的道図分布推定
• Authors: Yuanjing Feng, Lei Xie, Jingqiang Wang, Jianzhong He, Fei Gao
• Abstract要約: 本稿では,バンドル固有のトラクトグラム分布関数に基づく新しいトラクトグラフィー手法を提案する。 ファイバーバンドルを記述するために、高階のストリームライン微分方程式に対する統一的なフレームワークが提示される。 グローバルレベルでは,バンドル固有トラクトグラム分布(BTD)係数の推定として,トラクトグラフィー処理を単純化する。
• 参考スコア（独自算出の注目度）: 16.920991761013507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tractography traces the peak directions extracted from fiber orientation distribution (FOD) suffering from ambiguous spatial correspondences between diffusion directions and fiber geometry, which is prone to producing erroneous tracks while missing true positive connections. The peaks-based tractography methods 'locally' reconstructed streamlines in 'single to single' manner, thus lacking of global information about the trend of the whole fiber bundle. In this work, we propose a novel tractography method based on a bundle-specific tractogram distribution function by using a higher-order streamline differential equation, which reconstructs the streamline bundles in 'cluster to cluster' manner. A unified framework for any higher-order streamline differential equation is presented to describe the fiber bundles with disjoint streamlines defined based on the diffusion tensor vector field. At the global level, the tractography process is simplified as the estimation of bundle-specific tractogram distribution (BTD) coefficients by minimizing the energy optimization model, and is used to characterize the relations between BTD and diffusion tensor vector under the prior guidance by introducing the tractogram bundle information to provide anatomic priors. Experiments are performed on simulated Hough, Sine, Circle data, ISMRM 2015 Tractography Challenge data, FiberCup data, and in vivo data from the Human Connectome Project (HCP) data for qualitative and quantitative evaluation. The results demonstrate that our approach can reconstruct the complex global fiber bundles directly. BTD reduces the error deviation and accumulation at the local level and shows better results in reconstructing long-range, twisting, and large fanning tracts.
• Abstract（参考訳）: トラクトグラフィーは、拡散方向と繊維幾何学との間の不明瞭な空間的対応に苦しむ繊維配向分布(FOD)から抽出されたピーク方向をトレースする。 ピークに基づくトラクトグラフィ手法は「局所的」に復元された流線を「単一」にすることで,繊維束全体の傾向に関する全体的情報に欠ける。 本研究では,「クラスターからクラスタへの」方法で流線束を再構成する高次流線微分方程式を用いて,束特異的な気道分布関数に基づく新しい気道図法を提案する。 任意の高階ストリームライン微分方程式の統一的フレームワークを示し、拡散テンソルベクトル場に基づいて定義される不整合ストリームラインを持つファイバーバンドルを記述する。 大域的なレベルでは、エネルギー最適化モデルを最小化することにより、束特異的なトラクトグラム分布(BTD)係数の推定を簡略化し、トラクトグラムバンドル情報を導入して解剖学的先行情報を提供することにより、事前指導の下でBTDと拡散テンソルベクトルの関係を特徴づける。 シミュレートハフ、サイン、円データ、ismrm 2015路面図チャレンジデータ、fibercupデータ、およびヒトコネクトームプロジェクト(hcp)データからのin vivoデータを用いて、質的、定量的評価を行う実験を行った。 その結果,本手法は複雑な大域繊維束を直接再構成できることがわかった。 BTDは、局所レベルでの誤差の偏差と蓄積を低減し、長距離、ねじれ、大きなファンニングトラクトを再構築するより良い結果を示す。

関連論文リスト

• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
  低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。 我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
  論文  参考訳（メタデータ） (2023-12-10T01:28:47Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Dynamic Flows on Curved Space Generated by Labeled Data [17.621847430986854]
  興味のあるデータセットに近い新しいサンプルを生成するための勾配流法を提案する。 本手法は,移動学習環境における分類モデルの精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-01-31T19:53:01Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Equivariant Spherical Deconvolution: Learning Sparse Orientation Distribution Functions from Spherical Data [0.0]
  本稿では,単位球面上で定義される非負スカラー場のスパースデコンボリューションのための回転等価非監視学習フレームワークを提案する。 人体のマルチシェルデータセットにおけるトラクトグラフィーと部分体積推定の改善について述べる。
  論文  参考訳（メタデータ） (2021-02-17T16:04:35Z)
• Generative Learning With Euler Particle Transport [14.557451744544592]
  生成学習のためのユーラー粒子輸送(EPT)手法を提案する。 提案手法は, 基準分布から目標分布への最適輸送マップの探索の問題に動機付けられている。 提案する密度比(差分)推定器は,データが低次元多様体上で支持されている場合,「次元の曲線」に支障を来さないことを示す。
  論文  参考訳（メタデータ） (2020-12-11T03:10:53Z)
• Learning Implicit Generative Models with Theoretical Guarantees [12.761710596142109]
  我々はtextbfimplicit textbfmodeling (UnifiGem) のためのtextbfunified textbfframework を提案する。 UnifiGemは、最適輸送、数値ODE、密度比(密度差)推定、ディープニューラルネットワークのアプローチを統合する。 合成データセットと実ベンチマークデータセットの両方の実験結果は、我々の理論的な結果をサポートし、UnifiGemの有効性を実証する。
  論文  参考訳（メタデータ） (2020-02-07T15:55:48Z)

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。