論文の概要: TBSS++: A novel computational method for Tract-Based Spatial Statistics
- arxiv url: http://arxiv.org/abs/2307.05387v1
- Date: Fri, 7 Jul 2023 22:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 14:16:39.659400
- Title: TBSS++: A novel computational method for Tract-Based Spatial Statistics
- Title（参考訳）: TBSS++: トラクトに基づく空間統計の新しい計算方法
- Authors: Davood Karimi, Hamza Kebiri, and Ali Gholipour
- Abstract要約: クロスオブジェクト tract-specific analysis は、dMRIにおける最も一般的な計算の1つである。
これらの研究の正確さと信頼性は、被験者間で同じ白い物質を正確に比較できる能力に基づいている。
既存の手法の限界を克服する新しい計算フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.1908590616944785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-weighted magnetic resonance imaging (dMRI) is widely used to assess
the brain white matter. One of the most common computations in dMRI involves
cross-subject tract-specific analysis, whereby dMRI-derived biomarkers are
compared between cohorts of subjects. The accuracy and reliability of these
studies hinges on the ability to compare precisely the same white matter tracts
across subjects. This is an intricate and error-prone computation. Existing
computational methods such as Tract-Based Spatial Statistics (TBSS) suffer from
a host of shortcomings and limitations that can seriously undermine the
validity of the results. We present a new computational framework that
overcomes the limitations of existing methods via (i) accurate segmentation of
the tracts, and (ii) precise registration of data from different
subjects/scans. The registration is based on fiber orientation distributions.
To further improve the alignment of cross-subject data, we create detailed
atlases of white matter tracts. These atlases serve as an unbiased reference
space where the data from all subjects is registered for comparison. Extensive
evaluations show that, compared with TBSS, our proposed framework offers
significantly higher reproducibility and robustness to data perturbations. Our
method promises a drastic improvement in accuracy and reproducibility of
cross-subject dMRI studies that are routinely used in neuroscience and medical
research.
- Abstract（参考訳）: 拡散強調MRI(dMRI)は脳白質の評価に広く用いられている。
dMRIにおける最も一般的な計算の1つは、dMRI由来のバイオマーカーを被験者のコホート間で比較するクロスオブジェクトトラクト特異的解析である。
これらの研究の正確性と信頼性は、被験者間で正確に同じ白質路を比較する能力にかかっている。
これは複雑でエラーやすい計算です。
トラクトベース空間統計学(TBSS)のような既存の計算手法は、多くの欠点と限界に悩まされ、結果の有効性を著しく損なう。
我々は,既存の手法の限界を克服する新しい計算フレームワークを提案する。
(i)正確な道の区分
(ii)異なる対象/スキャンからのデータの正確な登録
登録は繊維配向分布に基づいている。
クロスオブジェクトデータのアライメントをさらに改善するため,ホワイトマタートラクトの詳細なアラスを作成する。
これらのアトラスは、すべての対象のデータを比較のために登録する偏りのない参照空間として機能する。
TBSSと比較して,提案手法はデータ摂動に対する再現性と堅牢性を大幅に向上させる。
本手法は,神経科学および医学研究で日常的に使用されるクロスサブジェクトdmri研究の精度と再現性が大幅に向上することを約束する。
関連論文リスト
- Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.096809077954095]
拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。
FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-09-20T18:41:29Z) - Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2024-03-04T19:56:19Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Direct segmentation of brain white matter tracts in diffusion MRI [5.907053978336196]
脳の白色物質は、脳の異なる領域を繋ぐ管から構成される。
現在のセグメンテーション法は、不必要なエラーをもたらす可能性のある中間計算に依存している。
拡散MRIデータから直接これらの領域を抽出する新しい深層学習法を提案する。
論文 参考訳（メタデータ） (2023-07-05T11:59:46Z) - 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) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。
BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。
BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
論文 参考訳（メタデータ） (2021-12-13T19:25:16Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。