論文の概要: TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation

• arxiv url: http://arxiv.org/abs/2307.09000v1
• Date: Tue, 18 Jul 2023 06:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 16:12:35.786422
• Title: TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation
• Title（参考訳）: TractCloud: 新たなローカル・グローバル・ストリーム・ポイント・クラウド表現による登録不要トラクトグラフィ解析
• Authors: Tengfei Xue, Yuqian Chen, Chaoyi Zhang, Alexandra J. Golby, Nikos Makris, Yogesh Rathi, Weidong Cai, Fan Zhang, Lauren J. O'Donnell
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.842881844791094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI tractography parcellation classifies streamlines into anatomical fiber tracts to enable quantification and visualization for clinical and scientific applications. Current tractography parcellation methods rely heavily on registration, but registration inaccuracies can affect parcellation and the computational cost of registration is high for large-scale datasets. Recently, deep-learning-based methods have been proposed for tractography parcellation using various types of representations for streamlines. However, these methods only focus on the information from a single streamline, ignoring geometric relationships between the streamlines in the brain. We propose TractCloud, a registration-free framework that performs whole-brain tractography parcellation directly in individual subject space. We propose a novel, learnable, local-global streamline representation that leverages information from neighboring and whole-brain streamlines to describe the local anatomy and global pose of the brain. We train our framework on a large-scale labeled tractography dataset, which we augment by applying synthetic transforms including rotation, scaling, and translations. We test our framework on five independently acquired datasets across populations and health conditions. TractCloud significantly outperforms several state-of-the-art methods on all testing datasets. TractCloud achieves efficient and consistent whole-brain white matter parcellation across the lifespan (from neonates to elderly subjects, including brain tumor patients) without the need for registration. The robustness and high inference speed of TractCloud make it suitable for large-scale tractography data analysis. Our project page is available at https://tractcloud.github.io/.
• Abstract（参考訳）: Diffusion MRI tractography parcellation は、臨床および科学的応用の定量化と可視化を可能にするために、ストリーラインを解剖学的線維路に分類する。 現在のトラクトグラフィ・パーセレーション手法は登録に大きく依存しているが、登録の不正確性はパーセレーションに影響を与える可能性があり、大規模なデータセットでは登録の計算コストが高い。 近年,様々な種類の表現をストリームラインに用いたトラクトグラフィ解析のためのディープラーニング手法が提案されている。 しかし、これらの方法は単一の流線からの情報のみに焦点を当て、脳の流線間の幾何学的関係を無視する。 我々は、個別の主題空間で直接脳波解析を行う、登録不要のフレームワークであるTractCloudを提案する。 本稿では,脳の局所的な解剖とグローバルなポーズを記述するために,近隣および全脳のストリープラインの情報を活用する,新しい,学習可能な,局所的なストリープライン表現を提案する。 我々は,回転,スケーリング,翻訳を含む合成変換を適用することで,大規模ラベル付きトラクトグラフィーデータセットでフレームワークをトレーニングする。 我々は、人口と健康状態の5つの独立したデータセット上で、我々のフレームワークをテストする。 TractCloudは、すべてのテストデータセットにおいて、最先端メソッドを著しく上回る。 TractCloudは、寿命(新生児から高齢者まで、脳腫瘍患者を含む)にわたって、登録を必要とせずに、効率的で一貫した脳白質のパーセレーションを実現する。 TractCloudの堅牢性と高い推論速度は、大規模トラクトグラフィーデータ解析に適している。 プロジェクトページはhttps://tractcloud.github.io/で閲覧できます。

関連論文リスト

• TractGraphFormer: Anatomically Informed Hybrid Graph CNN-Transformer Network for Classification from Diffusion MRI Tractography [20.096952203108394]
  拡散MRIトラクトグラフィーに適したグラフCNN-TransformerディープラーニングフレームワークであるTractGraphFormerを紹介する。 このモデルは、ホワイトマター構造の局所解剖学的特徴と大域的特徴に依存する。 TractGraphFormerは、性予知テストにおいて、子供と若者の大規模なデータセットで強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-07-11T22:14:57Z)
• A lightweight residual network for unsupervised deformable image registration [2.7309692684728617]
  本稿では, 並列拡張畳み込みブロックを組み込んだ残差U-Netを提案する。 本手法は患者間およびアトラスに基づくデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-06-14T07:20:49Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
  ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。 自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
  論文  参考訳（メタデータ） (2020-08-30T08:15:18Z)

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。