論文の概要: Tract-RLFormer: A Tract-Specific RL policy based Decoder-only Transformer Network

• arxiv url: http://arxiv.org/abs/2411.05757v1
• Date: Fri, 08 Nov 2024 18:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:54:01.031397
• Title: Tract-RLFormer: A Tract-Specific RL policy based Decoder-only Transformer Network
• Title（参考訳）: Tract-RLFormer: Decoder-only Transformer Network
• Authors: Ankita Joshi, Ashutosh Sharma, Anoushkrit Goel, Ranjeet Ranjan Jha, Chirag Ahuja, Arnav Bhavsar, Aditya Nigam,
• Abstract要約: 教師付き学習と強化学習の両方を利用したネットワークである Tract-RLFormer を提案する。 トラクション固有のアプローチを用いることで、従来のセグメンテーションプロセスをバイパスして、ネットワークは関心のトラクションを直接的に記述する。 われわれの手法は、脳の白質領域を正確にマッピングする能力を示し、トラクトグラフィーの飛躍的な進歩を示す。
• 参考スコア（独自算出の注目度）: 6.879358907713364
• License:
• Abstract: Fiber tractography is a cornerstone of neuroimaging, enabling the detailed mapping of the brain's white matter pathways through diffusion MRI. This is crucial for understanding brain connectivity and function, making it a valuable tool in neurological applications. Despite its importance, tractography faces challenges due to its complexity and susceptibility to false positives, misrepresenting vital pathways. To address these issues, recent strategies have shifted towards deep learning, utilizing supervised learning, which depends on precise ground truth, or reinforcement learning, which operates without it. In this work, we propose Tract-RLFormer, a network utilizing both supervised and reinforcement learning, in a two-stage policy refinement process that markedly improves the accuracy and generalizability across various data-sets. By employing a tract-specific approach, our network directly delineates the tracts of interest, bypassing the traditional segmentation process. Through rigorous validation on datasets such as TractoInferno, HCP, and ISMRM-2015, our methodology demonstrates a leap forward in tractography, showcasing its ability to accurately map the brain's white matter tracts.
• Abstract（参考訳）: ファイバートラクトグラフィーは神経画像の基盤であり、拡散MRIによる脳の白質経路の詳細なマッピングを可能にする。 これは脳のコネクティビティと機能を理解するために重要であり、神経学的応用において貴重なツールである。 その重要性にもかかわらず、トラクトグラフィーは、その複雑さと偽陽性への感受性のために困難に直面し、重要な経路を誤って表現している。 これらの問題に対処するため、近年の戦略は深層学習に移行し、厳密な地上真実に依存する教師あり学習や、それ無しで機能する強化学習を活用している。 本研究では,教師付き学習と強化学習の両方を利用したネットワークであるTract-RLFormerを提案する。 トラクション固有のアプローチを用いることで、従来のセグメンテーションプロセスをバイパスして、ネットワークは関心のトラクションを直接的に記述する。 TractoInferno, HCP, ISMRM-2015などのデータセットに対する厳密な検証を通じて、私たちの方法論は、トラクトグラフィーにおける飛躍的な進歩を示し、脳の白質領域を正確にマッピングする能力を示している。

関連論文リスト

• Memory Networks: Towards Fully Biologically Plausible Learning [2.7013801448234367]
  現在の人工ニューラルネットワークは、バックプロパゲーションやウェイトシェアリングのような技術に依存しており、脳の自然な情報処理方法と一致しない。 本稿では,逆伝播や畳み込みを回避し,単一のパスで動作させる生物学的原理にインスパイアされたメモリネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-18T06:01:35Z)
• Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
  早期認知症への転換の予測は、その進行を緩和するために重要である。 従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。 Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
  論文  参考訳（メタデータ） (2024-03-20T06:46:01Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• 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)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• On The Transferability of Deep-Q Networks [6.822707222147354]
  Transfer Learningは、ディープニューラルネットワークのトレーニングの成功を特徴付けるハードルを克服することのできる、効率的な機械学習パラダイムである。 TLの利用は、SL(Supervised Learning)において十分に確立され、成功した訓練実践であるが、DRL(Deep Reinforcement Learning)の適用性は稀である。 本稿では,3種類のDeep-Q NetworksのDRLベンチマークおよび新しい制御タスクセット上での転送可能性について検討する。
  論文  参考訳（メタデータ） (2021-10-06T10:29:37Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• Training spiking neural networks using reinforcement learning [0.0]
  本稿では,スパイクニューラルネットワークのトレーニングを容易にするために,生物学的に有望なバックプロパゲーション代替法を提案する。 本研究では,空間的・時間的信用割当問題の解決における強化学習規則の適用可能性を検討することに注力する。 我々は、グリッドワールド、カートポール、マウンテンカーといった従来のRLドメインに適用することで、2つのアプローチを比較し、対比する。
  論文  参考訳（メタデータ） (2020-05-12T17:40:36Z)

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。