論文の概要: TractShapeNet: Efficient Multi-Shape Learning with 3D Tractography Point Clouds
- arxiv url: http://arxiv.org/abs/2410.22099v3
- Date: Sat, 02 Nov 2024 09:06:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:43:26.299244
- Title: TractShapeNet: Efficient Multi-Shape Learning with 3D Tractography Point Clouds
- Title（参考訳）: TractShapeNet: 3Dトラクトグラフィ点雲を用いた効率的なマルチ形状学習
- Authors: Yui Lo, Yuqian Chen, Dongnan Liu, Jon Haitz Legarreta, Leo Zekelman, Fan Zhang, Jarrett Rushmore, Yogesh Rathi, Nikos Makris, Alexandra J. Golby, Weidong Cai, Lauren J. O'Donnell,
- Abstract要約: トラクトグラフィーのポイントクラウド表現を利用した新しいフレームワークTractShapeNetを導入し、5つの形状測度を計算した。
形状測定計算実験により,提案したTractShapeNetは,他のクラウドベースニューラルネットワークモデルよりも優れていることが示された。
その結果,より高速かつ効率的な形状測定計算が実現できることが示唆された。
- 参考スコア（独自算出の注目度）: 39.93585584930809
- License:
- Abstract: Brain imaging studies have demonstrated that diffusion MRI tractography geometric shape descriptors can inform the study of the brain's white matter pathways and their relationship to brain function. In this work, we investigate the possibility of utilizing a deep learning model to compute shape measures of the brain's white matter connections. We introduce a novel framework, TractShapeNet, that leverages a point cloud representation of tractography to compute five shape measures: length, span, volume, total surface area, and irregularity. We assess the performance of the method on a large dataset including 1065 healthy young adults. Experiments for shape measure computation demonstrate that our proposed TractShapeNet outperforms other point cloud-based neural network models in both the Pearson correlation coefficient and normalized error metrics. We compare the inference runtime results with the conventional shape computation tool DSI-Studio. Our results demonstrate that a deep learning approach enables faster and more efficient shape measure computation. We also conduct experiments on two downstream language cognition prediction tasks, showing that shape measures from TractShapeNet perform similarly to those computed by DSI-Studio. Our code will be available at: https://github.com/SlicerDMRI/TractShapeNet.
- Abstract（参考訳）: 脳画像学的研究により、拡散MRI画像幾何学的形状記述子は、脳の白質経路とその脳機能との関係について研究することができることが示されている。
本研究では,脳の白質結合の形状測定に深層学習モデルを活用する可能性について検討する。
トラクトグラフィーの点雲表現を利用した新しいフレームワークTractShapeNetを導入し,長さ,幅,体積,表面積,不規則性の5つの形状を計算した。
健常成人1065名を対象に,本手法の有効性について検討した。
形状測定計算実験により,提案したTractShapeNetはピアソン相関係数と正規化誤差指標の両方において,他の点クラウドベースニューラルネットワークモデルよりも優れていることを示した。
本稿では,従来の形状計算ツールであるDSI-Studioと比較する。
その結果,より高速かつ効率的な形状測定計算が実現できることが示唆された。
また、2つの下流言語認知予測タスクについても実験を行い、TractShapeNetの形状測定はDSI-Studioで計算されたものと類似していることを示した。
私たちのコードは、https://github.com/SlicerDMRI/TractShapeNet.comで利用可能です。
関連論文リスト
- Coverage Axis++: Efficient Inner Point Selection for 3D Shape Skeletonization [49.47444127373479]
Coverage Axis++は、3D形状のスケルトン化に対する、新しくて効率的なアプローチである。
メディア軸変換(MAT)の高精度近似を提供する。
論文 参考訳（メタデータ） (2024-01-23T18:07:07Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Toward Mesh-Invariant 3D Generative Deep Learning with Geometric
Measures [2.167843405313757]
幾何学的データの取得を可能にする技術が開発されているため、3次元生成モデリングは加速している。
多くの生成学習アルゴリズムは、予測された形状と対象形状を比較する際に、各点間の対応を必要とする。
トレーニングフェーズにおいても,異なるパラメータ化に対処可能なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-27T19:27:15Z) - An Information-Theoretic Analysis of Compute-Optimal Neural Scaling Laws [24.356906682593532]
大規模ニューラルネットワークにおけるモデルとトレーニングデータセットサイズ間の計算-最適トレードオフについて検討する。
以上の結果から, チンチラの実証分析で裏付けられる線形関係が示唆された。
論文 参考訳（メタデータ） (2022-12-02T18:46:41Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。
ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。
アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
論文 参考訳（メタデータ） (2021-08-02T21:16:29Z) - Adversarial Shape Learning for Building Extraction in VHR Remote Sensing
Images [18.650642666164252]
建物の形状パターンをモデル化する対比形状学習ネットワーク(ASLNet)を提案する。
実験の結果,提案したASLNetは画素ベース精度とオブジェクトベース測定の両方を大きなマージンで改善することがわかった。
論文 参考訳（メタデータ） (2021-02-22T18:49:43Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Deep Geometric Functional Maps: Robust Feature Learning for Shape
Correspondence [31.840880075039944]
非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。
提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
論文 参考訳（メタデータ） (2020-03-31T15:20:17Z)
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。