論文の概要: Self-Supervised Representation Learning for Nerve Fiber Distribution
Patterns in 3D-PLI
- arxiv url: http://arxiv.org/abs/2401.17207v1
- Date: Tue, 30 Jan 2024 17:49:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 13:55:58.697960
- Title: Self-Supervised Representation Learning for Nerve Fiber Distribution
Patterns in 3D-PLI
- Title（参考訳）: 3次元PLIにおける神経線維分布パターンの自己教師付き表現学習
- Authors: Alexander Oberstrass, Sascha E. A. Muenzing, Meiqi Niu, Nicola
Palomero-Gallagher, Christian Schiffer, Markus Axer, Katrin Amunts, Timo
Dickscheid
- Abstract要約: 3D-PLI(3D-PLI)は、高分解能の髄質神経線維の微細構造を観察できる顕微鏡イメージング技術である。
3D-PLIにおけるファイバアーキテクチャのオブザーバ非依存的特徴付けのためのベストプラクティスはまだ提供されていない。
自己教師付き表現学習を用いた3次元PLI画像における神経線維構造を特徴付けるための完全データ駆動型アプローチを提案する。
- 参考スコア（独自算出の注目度）: 36.136619420474766
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: A comprehensive understanding of the organizational principles in the human
brain requires, among other factors, well-quantifiable descriptors of nerve
fiber architecture. Three-dimensional polarized light imaging (3D-PLI) is a
microscopic imaging technique that enables insights into the fine-grained
organization of myelinated nerve fibers with high resolution. Descriptors
characterizing the fiber architecture observed in 3D-PLI would enable
downstream analysis tasks such as multimodal correlation studies, clustering,
and mapping. However, best practices for observer-independent characterization
of fiber architecture in 3D-PLI are not yet available. To this end, we propose
the application of a fully data-driven approach to characterize nerve fiber
architecture in 3D-PLI images using self-supervised representation learning. We
introduce a 3D-Context Contrastive Learning (CL-3D) objective that utilizes the
spatial neighborhood of texture examples across histological brain sections of
a 3D reconstructed volume to sample positive pairs for contrastive learning. We
combine this sampling strategy with specifically designed image augmentations
to gain robustness to typical variations in 3D-PLI parameter maps. The approach
is demonstrated for the 3D reconstructed occipital lobe of a vervet monkey
brain. We show that extracted features are highly sensitive to different
configurations of nerve fibers, yet robust to variations between consecutive
brain sections arising from histological processing. We demonstrate their
practical applicability for retrieving clusters of homogeneous fiber
architecture and performing data mining for interactively selected templates of
specific components of fiber architecture such as U-fibers.
- Abstract（参考訳）: 人間の脳における組織原理の包括的理解には、神経繊維アーキテクチャの十分な記述子が必要である。
3次元偏光イメージング(3D-PLI)は、高分解能の髄質神経線維の微細構造を観察できる顕微鏡イメージング技術である。
3D-PLIで観察されるファイバーアーキテクチャを特徴付ける記述子は、マルチモーダル相関研究、クラスタリング、マッピングなどの下流分析タスクを可能にする。
しかし、3D-PLIにおけるファイバーアーキテクチャの観察非依存的特徴付けのベストプラクティスはまだ提供されていない。
そこで本研究では,自己教師付き表現学習を用いた3D-PLI画像における神経線維構造を特徴付ける,完全なデータ駆動型アプローチを提案する。
本研究では,3次元再構成ボリュームの組織学的脳セクションにまたがるテクスチャサンプルの空間的近傍を利用した3次元コントラスト学習(cl-3d)の目的について紹介する。
我々はこのサンプリング戦略と特別に設計された画像拡張を組み合わせることで、3D-PLIパラメータマップの典型的なバリエーションに対して堅牢性を得る。
このアプローチは、頂点猿脳の3D再構成後頭葉に対して実証される。
抽出された特徴は神経線維の異なる構成に非常に敏感であるが, 組織学的処理による連続的な脳切片の変動には頑健である。
本稿では,同質繊維アーキテクチャのクラスタを検索し,u-fibers などの繊維アーキテクチャの特定のコンポーネントのテンプレートを対話的に選択するためのデータマイニングを行う上で,その実用性を示す。
関連論文リスト
- fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。
我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2024-09-17T16:13:59Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - Analyzing Regional Organization of the Human Hippocampus in 3D-PLI Using
Contrastive Learning and Geometric Unfolding [36.136619420474766]
3D偏光イメージング(3D-PLI)は、高分解能で死後脳の繊維構造を可視化するための画像モダリティである。
3D-PLI画像の豊かなテクスチャは、このモダリティを特に分析し難くし、なおもアーキテクチャパターンを特徴づけるためのベストプラクティスを確立する必要がある。
本研究では,ヒト海馬の3D-PLIにおける局所構造を解析するための新しい手法を実証する。
論文 参考訳（メタデータ） (2024-02-27T18:25:16Z) - MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。
このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。
我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2023-12-12T18:21:36Z) - Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data [0.0]
パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
論文 参考訳（メタデータ） (2023-10-27T22:49:08Z) - Enforcing 3D Topological Constraints in Composite Objects via Implicit Functions [60.56741715207466]
医学的応用は心臓や脊椎などの複数の部分を持つ複雑な臓器の正確な3D表現を必要とすることが多い。
本稿では,深い暗黙的符号付き距離関数を用いた3次元物体再構成におけるトポロジ的制約を強制する新しい手法を提案する。
そこで本研究では,3次元形状間のトポロジ的制約を効果的に検証・実施するサンプリングベース手法を提案する。
論文 参考訳（メタデータ） (2023-07-16T10:07:15Z) - Neural Textured Deformable Meshes for Robust Analysis-by-Synthesis [17.920305227880245]
本稿では, 近似解析を用いた三重視覚タスクを一貫した方法で定式化する。
実世界の画像で評価すると、従来のニューラルネットワークよりも、我々の分析バイシンセシスの方がはるかに堅牢であることが示される。
論文 参考訳（メタデータ） (2023-05-31T18:45:02Z) - Unsupervised Discovery of 3D Hierarchical Structure with Generative
Diffusion Features [22.657405088126012]
拡散モデルの特徴は3次元バイオメディカル画像において異なる階層レベルを捉えている。
我々は3次元ボリュームを意味のあるネストされたサブボリュームに分解することを奨励する予測的教師なしセグメンテーションネットワークを訓練する。
われわれのモデルは、既存の教師なし構造発見手法よりも、難解な合成データセットや現実世界の脳腫瘍MRIデータセットよりも優れた性能を達成している。
論文 参考訳（メタデータ） (2023-04-28T19:37:17Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - A Point Cloud Generative Model via Tree-Structured Graph Convolutions
for 3D Brain Shape Reconstruction [31.436531681473753]
センサスキャンなどの物理的手法を用いて,術中3次元形状情報を得ることはほとんど不可能である。
本稿では,1つの2次元画像を用いて脳の3次元点雲(PC)を再構成するGANアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-07-21T07:57:37Z)
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。