論文の概要: Using Structural Similarity and Kolmogorov-Arnold Networks for Anatomical Embedding of 3-hinge Gyrus

• arxiv url: http://arxiv.org/abs/2410.23598v1
• Date: Thu, 31 Oct 2024 03:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:03:10.726671
• Title: Using Structural Similarity and Kolmogorov-Arnold Networks for Anatomical Embedding of 3-hinge Gyrus
• Title（参考訳）: 構造的類似性とコルモゴロフ・アルノルドネットワークを用いた3-ヒンジ・ガイラスの解剖学的埋め込み
• Authors: Minheng Chen, Chao Cao, Tong Chen, Yan Zhuang, Jing Zhang, Yanjun Lyu, Xiaowei Yu, Lu Zhang, Tianming Liu, Dajiang Zhu,
• Abstract要約: 3HG(3-hinge gyrus)は、新たに定義された折りたたみパターンである。 本稿では3HGの解剖学的特徴を組み込んだ自己教師型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.044545011553172
• License:
• Abstract: The 3-hinge gyrus (3HG) is a newly defined folding pattern, which is the conjunction of gyri coming from three directions in cortical folding. Many studies demonstrated that 3HGs can be reliable nodes when constructing brain networks or connectome since they simultaneously possess commonality and individuality across different individual brains and populations. However, 3HGs are identified and validated within individual spaces, making it difficult to directly serve as the brain network nodes due to the absence of cross-subject correspondence. The 3HG correspondences represent the intrinsic regulation of brain organizational architecture, traditional image-based registration methods tend to fail because individual anatomical properties need to be fully respected. To address this challenge, we propose a novel self-supervised framework for anatomical feature embedding of the 3HGs to build the correspondences among different brains. The core component of this framework is to construct a structural similarity-enhanced multi-hop feature encoding strategy based on the recently developed Kolmogorov-Arnold network (KAN) for anatomical feature embedding. Extensive experiments suggest that our approach can effectively establish robust cross-subject correspondences when no one-to-one mapping exists.
• Abstract（参考訳）: 3-hinge gyrus(3HG)は、新たに定義された折りたたみパターンであり、大脳皮質の折りたたみにおける3方向からのジャリの結合である。 多くの研究では、脳ネットワークやコネクトームを構築する際に3HGが信頼できるノードであることが示されている。 しかし、3HGは個々の空間内で識別され、検証されるため、クロスオブジェクト対応が欠如しているため、直接脳ネットワークノードとして機能することは困難である。 3HG対応は、脳組織アーキテクチャの固有の規制を表し、従来の画像ベース登録法は、個々の解剖学的特性を完全に尊重する必要があるため、失敗する傾向にある。 この課題に対処するため、3HGの解剖学的特徴埋め込みのための新しい自己教師型フレームワークを提案し、異なる脳間の対応を構築する。 このフレームワークのコアコンポーネントは、最近開発されたKAN(Kolmogorov-Arnold Network)に基づく構造的類似性強化マルチホップ特徴符号化戦略を構築することである。 大規模な実験により, 1対1のマッピングが存在しない場合, 本手法は頑健なオブジェクト間対応を効果的に確立できることが示唆された。

関連論文リスト

• GASA-UNet: Global Axial Self-Attention U-Net for 3D Medical Image Segmentation [8.939740171704388]
  本稿では,GTA(Global Axial Self-Attention)ブロックを特徴とする改良されたU-Net型モデルを提案する。 このブロックは、異なる解剖学的断面を表す各2次元平面で、画像データを3次元実体として処理する。 我々のモデルは,特に小解剖学的構造に対して,セグメンテーション性能の有望な改善を証明した。
  論文  参考訳（メタデータ） (2024-09-20T01:23:53Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• 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)
• 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)
• 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)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• UNesT: Local Spatial Representation Learning with Hierarchical Transformer for Efficient Medical Segmentation [29.287521185541298]
  我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。 我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:14:38Z)
• Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
  機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。 これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
  論文  参考訳（メタデータ） (2022-07-05T21:39:13Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks [0.8602553195689513]
  細胞構造は脳内の神経細胞の空間的構造を記述する。 脳を皮質下領域と皮質下核に分離することができる。 領域間の境界をマッピングするには 組織学的領域を 顕微鏡でスキャンする必要がある
  論文  参考訳（メタデータ） (2021-03-09T07:09:42Z)
• 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)

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。