論文の概要: A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI

• arxiv url: http://arxiv.org/abs/2411.01859v1
• Date: Mon, 04 Nov 2024 07:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:14.313527
• Title: A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI
• Title（参考訳）: マルチモーダル拡散MRIと機能MRIを用いた機能的ホワイトマター解析のための新しいDeep Learning Tractography Fiber Clustering Framework
• Authors: Jin Wang, Bocheng Guo, Yijie Li, Junyi Wang, Yuqian Chen, Jarrett Rushmore, Nikos Makris, Yogesh Rathi, Lauren J O'Donnell, Fan Zhang,
• Abstract要約: Deep Multi-view Fiber Clustering (DMVFC) は、機能的に一貫したホワイトマター解析を可能にするために、ジョイントdMRIとfMRIデータを使用する。 DMVFCは、WMファイバの幾何学的特性と、ファイバトラクトに沿ったfMRI BOLD信号とを効果的に統合することができる。
• 参考スコア（独自算出の注目度）: 9.958759471577068
• License:
• Abstract: Tractography fiber clustering using diffusion MRI (dMRI) is a crucial strategy for white matter (WM) parcellation. Current methods primarily use the geometric information of fibers (i.e., the spatial trajectories) to group similar fibers into clusters, overlooking the important functional signals present along the fiber tracts. There is increasing evidence that neural activity in the WM can be measured using functional MRI (fMRI), offering potentially valuable multimodal information for fiber clustering. In this paper, we develop a novel deep learning fiber clustering framework, namely Deep Multi-view Fiber Clustering (DMVFC), that uses joint dMRI and fMRI data to enable functionally consistent WM parcellation. DMVFC can effectively integrate the geometric characteristics of the WM fibers with the fMRI BOLD signals along the fiber tracts. It includes two major components: 1) a multi-view pretraining module to compute embedding features from fiber geometric information and functional signals separately, and 2) a collaborative fine-tuning module to simultaneously refine the two kinds of embeddings. In the experiments, we compare DMVFC with two state-of-the-art fiber clustering methods and demonstrate superior performance in achieving functionally meaningful and consistent WM parcellation results.
• Abstract（参考訳）: 拡散MRI(dMRI)を用いたトラクトグラフィーファイバークラスタリングは,白質パセレーション(WM)の重要な戦略である。 現在の方法では、繊維の幾何学的情報(すなわち空間軌跡)を用いて、類似した繊維をクラスターに分類し、繊維路に沿って存在する重要な機能信号を見渡す。 WMの神経活動は機能的MRI(fMRI)を用いて測定でき、ファイバークラスタリングに有用なマルチモーダル情報を提供する証拠が増えている。 本稿では,DMVFC(Deep Multi-view Fiber Clustering)と呼ばれる新しいディープラーニングファイバクラスタリングフレームワークを開発した。 DMVFCは、WMファイバの幾何学的特性と、ファイバトラクトに沿ったfMRI BOLD信号とを効果的に統合することができる。 主なコンポーネントは2つある。 1)繊維幾何学情報と機能信号から埋め込み特徴を別々に計算する多視点事前学習モジュール 2)2種類の埋め込みを同時に洗練するための協調的な微調整モジュール。 実験では,DMVFCと2つの最先端繊維クラスタリング法を比較し,機能的に有意かつ一貫したWM解析結果を実現する上で,優れた性能を示す。

関連論文リスト

• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Multi-Dimension-Embedding-Aware Modality Fusion Transformer for Psychiatric Disorder Clasification [13.529183496842819]
  本研究では,入力2次元時系列のrs-fMRIと3次元ボリュームT1wの深層学習アーキテクチャを構築した。 統合失調症と双極性障害の診断において,MFFormerは単モードMRIや多モードMRIより優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-04T10:02:04Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 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)
• Deep fiber clustering: Anatomically informed fiber clustering with self-supervised deep learning for fast and effective tractography parcellation [22.754116315299182]
  白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。 DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。 実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
  論文  参考訳（メタデータ） (2022-05-02T02:41:02Z)
• Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
  クラスタリングはしばしば機能的パーセレーションを生成するために使われる。 本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:30:02Z)
• DeMFI: Deep Joint Deblurring and Multi-Frame Interpolation with Flow-Guided Attentive Correlation and Recursive Boosting [50.17500790309477]
  DeMFI-Netは、共同でデブロアリングとマルチフレームのフレームワークである。 低フレームレートのぼやけたビデオを高フレームレートでシャープなビデオに変換する。 多様なデータセットに対して、最先端(SOTA)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-19T00:00:15Z)
• Multiple-view clustering for identifying subject clusters and brain sub-networks using functional connectivity matrices without vectorization [0.0]
  Wishart混合モデルに基づく新しいマルチビュークラスタリング手法を提案する。 この手法の独特な点は、被験者のマルチビュークラスタリングがノードの特定のネットワークに基づいていることである。
  論文  参考訳（メタデータ） (2020-10-20T00:51:45Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。