論文の概要: JOSA: Joint surface-based registration and atlas construction of brain geometry and function

• arxiv url: http://arxiv.org/abs/2311.08544v1
• Date: Sun, 22 Oct 2023 02:16:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-19 14:04:54.964023
• Title: JOSA: Joint surface-based registration and atlas construction of brain geometry and function
• Title（参考訳）: JOSA:脳の形状と機能に関する共同表面ベース登録とアトラス構築
• Authors: Jian Li, Greta Tuckute, Evelina Fedorenko, Brian L. Edlow, Adrian V. Dalca, Bruce Fischl
• Abstract要約: JOSAは、幾何学と関数のミスマッチを共同でモデル化する、新しい皮質登録フレームワークである。 幾何と関数の両方において最先端の手法よりも優れた登録性能を実現するが、推論時に関数データを必要としない。 脳構造と機能の共同解析を用いた登録手法の今後の発展に関する新たな知見を提供する。
• 参考スコア（独自算出の注目度）: 10.584603337042532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface-based cortical registration is an important topic in medical image analysis and facilitates many downstream applications. Current approaches for cortical registration are mainly driven by geometric features, such as sulcal depth and curvature, and often assume that registration of folding patterns leads to alignment of brain function. However, functional variability of anatomically corresponding areas across subjects has been widely reported, particularly in higher-order cognitive areas. In this work, we present JOSA, a novel cortical registration framework that jointly models the mismatch between geometry and function while simultaneously learning an unbiased population-specific atlas. Using a semi-supervised training strategy, JOSA achieves superior registration performance in both geometry and function to the state-of-the-art methods but without requiring functional data at inference. This learning framework can be extended to any auxiliary data to guide spherical registration that is available during training but is difficult or impossible to obtain during inference, such as parcellations, architectonic identity, transcriptomic information, and molecular profiles. By recognizing the mismatch between geometry and function, JOSA provides new insights into the future development of registration methods using joint analysis of the brain structure and function.
• Abstract（参考訳）: 表面ベースの皮質登録は、医用画像解析において重要なトピックであり、多くの下流応用を促進する。 現在の皮質登録のアプローチは、主にsulcal depthやcurvatureのような幾何学的特徴によって行われており、しばしば折りたたみパターンの登録が脳機能のアライメントにつながると仮定している。 しかし,特に高次認知領域では,解剖学的対応領域の機能的変動が広く報告されている。 本研究は,人口固有のアトラスを同時に学習しながら,幾何学と関数のミスマッチを共同でモデル化する新しい皮質登録フレームワークJOSAを提案する。 JOSAは、半教師付きトレーニング戦略を用いて、幾何学と関数の両方において、最先端の手法よりも優れた登録性能を達成するが、推論時に関数データを必要としない。 この学習フレームワークは、トレーニング中に利用可能な球面登録をガイドするために任意の補助データに拡張することができ、パーセレーション、構造的アイデンティティ、転写情報、分子プロファイルなど、推論中に取得することが困難または不可能である。 JOSAは、幾何学と関数のミスマッチを認識することにより、脳構造と機能の共同解析を用いて、将来の登録方法の開発に関する新たな洞察を提供する。

関連論文リスト

• GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration [8.896542371748115]
  本稿では,皮質表面画像登録技術を研究するためのディープラーニングモデルを構築した。 マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計する。 グラフ対応モジュールを登録ネットワークに導入し、グラフアテンションモジュールを使用してネットワークがグローバルな機能を学ぶのを支援する。
  論文  参考訳（メタデータ） (2024-10-18T18:21:47Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• 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)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Joint cortical registration of geometry and function using semi-supervised learning [10.584603337042534]
  我々は,最適なアトラスを学習しながら,折り畳みパターンと関数マップを協調的に整列する学習ベースの皮質登録フレームワークJOSAを紹介する。 JOSAは既存手法よりも解剖学的・機能的ドメインの登録性能を大幅に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） (2023-03-02T21:31:35Z)
• Automatic Landmark Detection and Registration of Brain Cortical Surfaces via Quasi-Conformal Geometry and Convolutional Neural Networks [17.78250777571423]
  本稿では,脳皮質表面の自動的ランドマーク検出と登録のための新しい枠組みを提案する。 まず,ランドマーク曲線の自動抽出を可能にするランドマーク検出ネットワーク(LD-Net)を開発した。 次に,検出されたランドマークと準コンフォーマル理論を用いて表面登録を行う。
  論文  参考訳（メタデータ） (2022-08-15T05:47:51Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• Can neural networks learn persistent homology features? [1.1816942730023885]
  トポロジデータ分析は、トポロジのツールを使用してデータの表現を生成する。 本研究では,ニューラルネットワークを用いて永続性図から抽出したいくつかの特徴を学習する可能性について検討する。
  論文  参考訳（メタデータ） (2020-11-30T10:58:53Z)

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。