論文の概要: Geodesic Regression Characterizes 3D Shape Changes in the Female Brain During Menstruation

• arxiv url: http://arxiv.org/abs/2309.16662v1
• Date: Thu, 28 Sep 2023 17:58:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 12:44:03.130549
• Title: Geodesic Regression Characterizes 3D Shape Changes in the Female Brain During Menstruation
• Title（参考訳）: 月経時の女性脳の3次元形状変化を特徴とする測地的回帰
• Authors: Adele Myers, Caitlin Taylor, Emily Jacobs, Nina Miolane
• Abstract要約: 女性は閉経後、アルツハイマーなどの神経疾患のリスクが高い。 性ホルモン変動時に脳に発生する3次元形状変化を定量化するツールを開発した。
• 参考スコア（独自算出の注目度）: 2.913033886371052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Women are at higher risk of Alzheimer's and other neurological diseases after menopause, and yet research connecting female brain health to sex hormone fluctuations is limited. We seek to investigate this connection by developing tools that quantify 3D shape changes that occur in the brain during sex hormone fluctuations. Geodesic regression on the space of 3D discrete surfaces offers a principled way to characterize the evolution of a brain's shape. However, in its current form, this approach is too computationally expensive for practical use. In this paper, we propose approximation schemes that accelerate geodesic regression on shape spaces of 3D discrete surfaces. We also provide rules of thumb for when each approximation can be used. We test our approach on synthetic data to quantify the speed-accuracy trade-off of these approximations and show that practitioners can expect very significant speed-up while only sacrificing little accuracy. Finally, we apply the method to real brain shape data and produce the first characterization of how the female hippocampus changes shape during the menstrual cycle as a function of progesterone: a characterization made (practically) possible by our approximation schemes. Our work paves the way for comprehensive, practical shape analyses in the fields of bio-medicine and computer vision. Our implementation is publicly available on GitHub: https://github.com/bioshape-lab/my28brains.
• Abstract（参考訳）: 女性は閉経後のアルツハイマーなどの神経疾患のリスクが高いが、女性の脳の健康と性ホルモンの変動を結びつける研究は限られている。 我々は、性ホルモンの変動中に脳で起こる3d形状の変化を定量化するツールの開発により、この関係を調査しようとしている。 3次元離散曲面の空間上の測地的回帰は、脳の形状の進化を特徴づける原理的な方法を提供する。 しかし、現在の形式では、このアプローチは実用には計算コストがかかりすぎる。 本稿では,3次元離散曲面の形状空間上の測地回帰を加速する近似スキームを提案する。 また、各近似を使用可能なときの親指規則も提供します。 我々は、これらの近似の速度-精度トレードオフを定量化するために、合成データに対するアプローチを検証し、実践者は、精度を犠牲にしつつ、非常に重要なスピードアップを期待できることを示す。 最後に, 本手法を実際の脳形状データに適用し, 月経周期における女性海馬の形状の変化を, プロゲステロンの機能として, 近似法により可能とした(実際)特徴付けとして, 初めて特徴付けする。 我々の研究は、バイオメディシンとコンピュータビジョンの分野における包括的で実践的な形状解析の道を開いた。 私たちの実装はGitHubで公開されています。

関連論文リスト

• NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
  本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。 NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。 私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
  論文  参考訳（メタデータ） (2024-11-07T13:56:13Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• Brain-Shift: Unsupervised Pseudo-Healthy Brain Synthesis for Novel Biomarker Extraction in Chronic Subdural Hematoma [2.1227797471108745]
  慢性硬膜下血腫(cSDH)は、脳と硬膜間血の蓄積を特徴とする一般的な神経疾患である。 伝統的に、理想的な矢状面からの専門家によって手動で測定された正中線シフトと、ヘマトマ体積が、cSDHの定量化の主要な指標となっている。 そこで本研究では,脳の変形場を生成するために,解剖学を意識した非教師付き擬似健康合成法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T13:39:55Z)
• Prediction of Gender from Longitudinal MRI data via Deep Learning on Adolescent Data Reveals Unique Patterns Associated with Brain Structure and Change over a Two-year Period [1.733758804432323]
  我々は,脳構造における性別関連変化を推定し,性別関連変化を同定するための構造MRIデータについて検討した。 その結果, 性別予測精度は, トレーニングエポックが200歳未満で, 非常に高い (>97%) ことが示唆された。 青年期の脳がどのように変化するかは、これらの変化が行動や環境の異なる要因とどのように関連しているかを調べることで研究することができるかもしれない。
  論文  参考訳（メタデータ） (2022-09-15T19:57:16Z)
• LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
  本稿では,人体に対する新しい暗黙の表現法を提案する。 完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。 我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
  論文  参考訳（メタデータ） (2021-11-30T04:10:57Z)
• 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
  人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。 このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。 本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-05T04:09:39Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
  側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。 本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。 本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
  論文  参考訳（メタデータ） (2020-07-20T12:45:38Z)
• Deep Learning and Bayesian Deep Learning Based Gender Prediction in Multi-Scale Brain Functional Connectivity [2.2182171526013774]
  脳機能接続(FC)から性別を予測することは、脳の活動と性別の関係を構築することができる。 性別予測に適用された現在の予測モデルは、良好な精度を示す。 本稿では,複数スケールの脳内FCの性別をディープラーニングで予測し,完全なFCパターンを特徴として抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-18T02:43:26Z)
• Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
  fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。 深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。 私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
  論文  参考訳（メタデータ） (2020-02-29T18:49:45Z)

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。