論文の概要: Reconstruction of Cortical Surfaces with Spherical Topology from Infant
Brain MRI via Recurrent Deformation Learning
- arxiv url: http://arxiv.org/abs/2312.05986v1
- Date: Sun, 10 Dec 2023 20:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 17:42:59.891945
- Title: Reconstruction of Cortical Surfaces with Spherical Topology from Infant
Brain MRI via Recurrent Deformation Learning
- Title（参考訳）: 反復変形学習による乳児脳MRIからの球面形状を持つ皮質表面の再構成
- Authors: Xiaoyang Chen, Junjie Zhao, Siyuan Liu, Sahar Ahmad, Pew-Thian Yap
- Abstract要約: MRIからの皮質表面再構成(CSR)は、脳の構造と機能を研究する鍵となる。
本稿では,数秒以内に効率よく球面マッピングを行う手法を提案する。
乳児期脳MRIに対するアプローチの有効性を実証し,CSRに重大な課題を提起した。
- 参考スコア（独自算出の注目度）: 16.9042503785353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cortical surface reconstruction (CSR) from MRI is key to investigating brain
structure and function. While recent deep learning approaches have
significantly improved the speed of CSR, a substantial amount of runtime is
still needed to map the cortex to a topologically-correct spherical manifold to
facilitate downstream geometric analyses. Moreover, this mapping is possible
only if the topology of the surface mesh is homotopic to a sphere. Here, we
present a method for simultaneous CSR and spherical mapping efficiently within
seconds. Our approach seamlessly connects two sub-networks for white and pial
surface generation. Residual diffeomorphic deformations are learned iteratively
to gradually warp a spherical template mesh to the white and pial surfaces
while preserving mesh topology and uniformity. The one-to-one vertex
correspondence between the template sphere and the cortical surfaces allows
easy and direct mapping of geometric features like convexity and curvature to
the sphere for visualization and downstream processing. We demonstrate the
efficacy of our approach on infant brain MRI, which poses significant
challenges to CSR due to tissue contrast changes associated with rapid brain
development during the first postnatal year. Performance evaluation based on a
dataset of infants from 0 to 12 months demonstrates that our method
substantially enhances mesh regularity and reduces geometric errors,
outperforming state-of-the-art deep learning approaches, all while maintaining
high computational efficiency.
- Abstract（参考訳）: MRIからの皮質表面再構成(CSR)は、脳の構造と機能を研究する鍵となる。
近年のディープラーニングアプローチはCSRの速度を大幅に向上させたが、下流の幾何学的解析を容易にするために、皮質を位相的に正しい球面多様体にマッピングするためには、かなりのランタイムが必要である。
さらに、このマッピングは、表面メッシュのトポロジーが球面とホモトピーである場合にのみ可能である。
本稿では,数秒以内に効率的にCSRと球面マッピングを同時に行う手法を提案する。
提案手法は,2つのサブネットワークをシームレスに接続し,白色表面生成を行う。
残留微分同相変形を反復的に学習し, メッシュトポロジーと均一性を保ちながら, 球面テンプレートメッシュを白色およびピアル面に徐々にワープする。
テンプレート球面と皮質面の間の1対1の頂点対応により、凸性や曲率といった幾何学的特徴を球面に簡単に直接マッピングでき、可視化や下流処理が可能となる。
乳児期脳MRIに対するアプローチの有効性を実証し,初生後1年間の急速な脳発達に伴う組織コントラストの変化により,CSRに重大な課題を提起した。
0～12ヶ月の幼児のデータセットに基づく性能評価の結果,本手法はメッシュの正則性を大幅に向上し,幾何学的誤差を低減し,高度な計算効率を維持しつつ,最先端のディープラーニングアプローチよりも優れていた。
関連論文リスト
- Stable Surface Regularization for Fast Few-Shot NeRF [76.00444039563581]
我々はAnnealing Signed Distance Function (ASDF) と呼ばれる安定表面正規化手法を開発した。
SDFの異なるレベルセットを形成するためには、アイコンの損失が密集した訓練信号を必要とすることが観察され、数発の訓練で低忠実度結果が得られた。
提案手法は、既存の数発の新規ビュー合成法よりも最大45倍高速である。
論文 参考訳（メタデータ） (2024-03-29T05:39:47Z) - Neural deformation fields for template-based reconstruction of cortical
surfaces from MRI [5.4173776411667935]
本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。
V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。
V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
論文 参考訳（メタデータ） (2024-01-23T17:50:58Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳（メタデータ） (2023-08-03T13:56:07Z) - Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である
本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。
我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
論文 参考訳（メタデータ） (2022-09-19T11:45:39Z) - 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) - Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D
MRI Scans with Geometric Deep Neural Networks [3.364554138758565]
深層学習に基づくアルゴリズムであるVox2Cortexを提案する。
我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは現場の最先端の方法で再構築されたものと同じくらい正確であることを示した。
論文 参考訳（メタデータ） (2022-03-17T17:06:00Z) - CortexODE: Learning Cortical Surface Reconstruction by Neural ODEs [12.239318066719068]
CortexODEは皮質表面再構成のためのディープラーニングフレームワークである。
自動学習ベースのパイプラインに統合して,表面を6秒以内で効率的に再構築することも可能だ。
実験により,CortexODEに基づくパイプラインは平均幾何誤差が0.2mm未満であることを示す。
論文 参考訳（メタデータ） (2022-02-16T20:57:59Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳（メタデータ） (2021-10-12T19:28:39Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。
本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文 参考訳（メタデータ） (2021-02-16T00:39:43Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z)
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。