論文の概要: Merging multiple input descriptors and supervisors in a deep neural
network for tractogram filtering
- arxiv url: http://arxiv.org/abs/2307.05786v1
- Date: Tue, 11 Jul 2023 20:27:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 14:56:52.414371
- Title: Merging multiple input descriptors and supervisors in a deep neural
network for tractogram filtering
- Title(参考訳): トラクトグラムフィルタリングのためのディープニューラルネットワークにおける複数入力記述子とスーパーバイザの融合
- Authors: Daniel J\"orgens, Pierre-Marc Jodoin, Maxime Descoteaux, Rodrigo
Moreno
- Abstract要約: トラクトグラムフィルタリングは、トラクトグラフィーデータから偽陽性のストリーニングを後処理ステップで除去するオプションである。
本稿では,各流路をエム・プラウシブル,不確定,あるいはエム・インコンセプティブルに分類したトラクトグラフィーデータをフィルタリングするディープニューラルネットワークを訓練する。
- 参考スコア(独自算出の注目度): 5.817874864936685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the main issues of the current tractography methods is their high
false-positive rate. Tractogram filtering is an option to remove false-positive
streamlines from tractography data in a post-processing step. In this paper, we
train a deep neural network for filtering tractography data in which every
streamline of a tractogram is classified as {\em plausible, implausible}, or
{\em inconclusive}. For this, we use four different tractogram filtering
strategies as supervisors: TractQuerier, RecobundlesX, TractSeg, and an
anatomy-inspired filter. Their outputs are combined to obtain the
classification labels for the streamlines. We assessed the importance of
different types of information along the streamlines for performing this
classification task, including the coordinates of the streamlines, diffusion
data, landmarks, T1-weighted information, and a brain parcellation. We found
that the streamline coordinates are the most relevant followed by the diffusion
data in this particular classification task.
- Abstract(参考訳): 現在のトラクトグラフィー法の主な課題の1つは、その高い偽陽性率である。
トラクトグラムフィルタリングは、トラクトグラフィーデータから偽陽性のストリーニングを後処理ステップで除去するオプションである。
本稿では, トラクトグラフィーデータのフィルタリングを行うディープニューラルネットワークをトレーニングし, トラクトグラムのすべてのストリームラインを, 可算性, 不確定性, あるいは不決定性に分類する。
このために、TractQuerier、RecobundlesX、TractSeg、解剖学的インスパイアされたフィルタの4つの異なるトラクトグラムフィルタリング戦略をスーパーバイザーとして使用しています。
それらの出力を組み合わせて、ストリームラインの分類ラベルを得る。
本研究は, 流線形の座標, 拡散データ, ランドマーク, T1重み付き情報, 脳のパーセラレーションなど, この分類作業を行うための流線型に沿った様々な情報の重要性を評価した。
その結果, 流線座標が最も関連性が高いこと, そして, この特定分類課題における拡散データについて検討した。
関連論文リスト
- 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) - Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。
グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。
本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
論文 参考訳(メタデータ) (2022-11-16T11:56:45Z) - The SVD of Convolutional Weights: A CNN Interpretability Framework [3.5783190448496343]
本稿では,ハイパーグラフを用いてクラス分離をモデル化する手法を提案する。
ネットワークを説明するためにアクティベーションを見るのではなく、各線形層に対して最大の対応する特異値を持つ特異ベクトルを用いて、ネットワークにとって最も重要な特徴を識別する。
論文 参考訳(メタデータ) (2022-08-14T18:23:02Z) - Assessing Streamline Plausibility Through Randomized Iterative
Spherical-Deconvolution Informed Tractogram Filtering [0.0]
トラクトグラフィーは脳接続研究において欠かせない部分となっている。
最先端のトラクトグラフィー法によって生成されたトラクトグラムの流動性は解剖学的には不可能である。
本研究では, トラクトグラムのテクスト球面インフォームドフィルタ (SIFT) について検討する。
本稿では,各ストリームに対して複数の評価値を取得するために,無作為に選択されたトラクトグラムサブセットにSIFTを適用することを提案する。
論文 参考訳(メタデータ) (2022-05-10T12:36:30Z) - Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。
ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-06-18T04:23:34Z) - Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。
アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。
我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文 参考訳(メタデータ) (2021-06-02T19:15:34Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳(メタデータ) (2021-05-29T08:39:57Z) - MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using
Deep Learning [0.0]
本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。
MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
論文 参考訳(メタデータ) (2021-04-28T18:12:51Z) - 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) - Filter Grafting for Deep Neural Networks: Reason, Method, and
Cultivation [86.91324735966766]
フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである
本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。
我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
論文 参考訳(メタデータ) (2020-04-26T08:36:26Z)
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。