論文の概要: V2C-Long: Longitudinal Cortex Reconstruction with Spatiotemporal Correspondence
- arxiv url: http://arxiv.org/abs/2402.17438v2
- Date: Wed, 19 Feb 2025 12:16:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 13:55:52.762648
- Title: V2C-Long: Longitudinal Cortex Reconstruction with Spatiotemporal Correspondence
- Title（参考訳）: V2C-Long:経時的対応による縦隔皮質再建術
- Authors: Fabian Bongratz, Jan Fecht, Anne-Marie Rickmann, Christian Wachinger,
- Abstract要約: V2C-Longは,経時的MRI画像の深層学習による大脳皮質再建法として初めて提案される。
V2C-Longは、被検者や訪問者間で強い時間的対応を示し、表面ベースの後処理の必要性を減らす。
その結果,従来の手法と比較して,経時的整合性と精度が大幅に向上した。
- 参考スコア（独自算出の注目度）: 4.412336603162405
- License:
- Abstract: Reconstructing the cortex from longitudinal magnetic resonance imaging (MRI) is indispensable for analyzing morphological alterations in the human brain. Despite the recent advancement of cortical surface reconstruction with deep learning, challenges arising from longitudinal data are still persistent. Especially the lack of strong spatiotemporal point correspondence between highly convoluted brain surfaces hinders downstream analyses, as local morphology is not directly comparable if the anatomical location is not matched precisely. To address this issue, we present V2C-Long, the first dedicated deep learning-based cortex reconstruction method for longitudinal MRI. V2C-Long exhibits strong inherent spatiotemporal correspondence across subjects and visits, thereby reducing the need for surface-based post-processing. We establish this correspondence directly during the reconstruction via the composition of two deep template-deformation networks and innovative aggregation of within-subject templates in mesh space. We validate V2C-Long on two large neuroimaging studies, focusing on surface accuracy, consistency, generalization, test-retest reliability, and sensitivity. The results reveal a substantial improvement in longitudinal consistency and accuracy compared to existing methods. In addition, we demonstrate stronger evidence for longitudinal cortical atrophy in Alzheimer's disease than longitudinal FreeSurfer.
- Abstract（参考訳）: 縦波磁気共鳴画像(MRI)から皮質を再構成することは、ヒト脳の形態変化を分析するのに不可欠である。
近年, 深層学習による皮質表面の再構築が進んでいるが, 経時的データによる課題はいまだ持続的である。
特に、高度に歪んだ脳表面間の強い時空間対応の欠如は、解剖学的位置が正確に一致しない場合、局所形態学が直接的に比較されないため、下流解析を妨げている。
この問題に対処するため,V2C-Longは縦型MRIのための,初めて専用の深層学習型大脳皮質再建法である。
V2C-Longは、被検者や訪問者に対して強い時空間対応を示すため、表面ベースの後処理の必要性が軽減される。
2つの深いテンプレート・デフォーメーション・ネットワークの合成とメッシュ空間におけるオブジェクト内テンプレートの革新的な集約により、この対応性を直接確立する。
V2C-Longは、表面の精度、一貫性、一般化、テスト-再テストの信頼性、感度に焦点をあてた2つの大きな神経画像研究に有効である。
その結果,従来の手法と比較して,経時的整合性と精度が大幅に向上した。
また, アルツハイマー病における縦型大脳皮質萎縮の証拠として, 縦型FreeSurferよりも強い値を示した。
関連論文リスト
- 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) - Reconstruction of Cortical Surfaces with Spherical Topology from Infant
Brain MRI via Recurrent Deformation Learning [16.9042503785353]
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。
論文 参考訳（メタデータ） (2023-12-10T20:20:16Z) - Multi-class point cloud completion networks for 3D cardiac anatomy
reconstruction from cine magnetic resonance images [4.1448595037512925]
マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。
その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
論文 参考訳（メタデータ） (2023-07-17T14:52:52Z) - Reconstructing the somatotopic organization of the corticospinal tract
remains a challenge for modern tractography methods [55.07297021627281]
CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。
拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
論文 参考訳（メタデータ） (2023-06-09T02:05:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - 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) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳（メタデータ） (2020-01-14T22:55:03Z)
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。