論文の概要: MICCAI-CDMRI 2023 QuantConn Challenge Findings on Achieving Robust Quantitative Connectivity through Harmonized Preprocessing of Diffusion MRI

• arxiv url: http://arxiv.org/abs/2411.09618v1
• Date: Thu, 14 Nov 2024 17:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:23:31.811933
• Title: MICCAI-CDMRI 2023 QuantConn Challenge Findings on Achieving Robust Quantitative Connectivity through Harmonized Preprocessing of Diffusion MRI
• Title（参考訳）: MICCAI-CDMRI 2023 拡散MRIの高調波前処理によるロバストな定量的結合性獲得のための量子コーン問題
• Authors: Nancy R. Newlin, Kurt Schilling, Serge Koudoro, Bramsh Qamar Chandio, Praitayini Kanakaraj, Daniel Moyer, Claire E. Kelly, Sila Genc, Jian Chen, Joseph Yuan-Mou Yang, Ye Wu, Yifei He, Jiawei Zhang, Qingrun Zeng, Fan Zhang, Nagesh Adluru, Vishwesh Nath, Sudhir Pathak, Walter Schneider, Anurag Gade, Yogesh Rathi, Tom Hendriks, Anna Vilanova, Maxime Chamberland, Tomasz Pieciak, Dominika Ciupek, Antonio Tristán Vega, Santiago Aja-Fernández, Maciej Malawski, Gani Ouedraogo, Julia Machnio, Christian Ewert, Paul M. Thompson, Neda Jahanshad, Eleftherios Garyfallidis, Bennett A. Landman,
• Abstract要約: 白色物質の変化は、神経疾患とその進行にますます関係している。 DW-MRIデータの定量的解析は、様々な取得プロトコルから生じる矛盾によって妨げられる。 MICCAI-CDMRI 2023 QuantConnチャレンジでは、同じスキャナーで収集された同じ個人から生のデータが提供されたが、2つの異なる取得がなされた。 その結果,バンドル表面積,分数異方性,コネクトームの非等方性,間隙数,エッジ数,モジュラリティ,結節強度,参加係数は,獲得によって最も偏っていることがわかった。 機械学習ボクセル補正、RISHマッピングおよびNeSH法を効果的に活用する
• 参考スコア（独自算出の注目度）: 11.976600830879757
• License:
• Abstract: White matter alterations are increasingly implicated in neurological diseases and their progression. International-scale studies use diffusion-weighted magnetic resonance imaging (DW-MRI) to qualitatively identify changes in white matter microstructure and connectivity. Yet, quantitative analysis of DW-MRI data is hindered by inconsistencies stemming from varying acquisition protocols. There is a pressing need to harmonize the preprocessing of DW-MRI datasets to ensure the derivation of robust quantitative diffusion metrics across acquisitions. In the MICCAI-CDMRI 2023 QuantConn challenge, participants were provided raw data from the same individuals collected on the same scanner but with two different acquisitions and tasked with preprocessing the DW-MRI to minimize acquisition differences while retaining biological variation. Submissions are evaluated on the reproducibility and comparability of cross-acquisition bundle-wise microstructure measures, bundle shape features, and connectomics. The key innovations of the QuantConn challenge are that (1) we assess bundles and tractography in the context of harmonization for the first time, (2) we assess connectomics in the context of harmonization for the first time, and (3) we have 10x additional subjects over prior harmonization challenge, MUSHAC and 100x over SuperMUDI. We find that bundle surface area, fractional anisotropy, connectome assortativity, betweenness centrality, edge count, modularity, nodal strength, and participation coefficient measures are most biased by acquisition and that machine learning voxel-wise correction, RISH mapping, and NeSH methods effectively reduce these biases. In addition, microstructure measures AD, MD, RD, bundle length, connectome density, efficiency, and path length are least biased by these acquisition differences.
• Abstract（参考訳）: 白色物質の変化は、神経疾患とその進行にますます関係している。 国際規模の研究では、拡散強調磁気共鳴イメージング(DW-MRI)を用いて、白色物質の微細構造と接続性の変化を質的に同定している。 しかし、DW-MRIデータの定量的解析は、様々な取得プロトコルから生じる矛盾によって妨げられる。 DW-MRIデータセットの事前処理を調和させることにより、取得したデータ間でのロバストな定量的拡散メトリクスの導出を保証する必要がある。 MICCAI-CDMRI 2023 QuantConnの課題では、同じスキャナーで収集された同一個体の生データを参加者に提供したが、2つの異なる取得でDW-MRIを前処理し、生物学的変異を維持しながら取得差を最小限に抑える。 提案手法は, クロス・アセプション・バンドル・ワイド・マイクロ構造測定, バンドル形状特性, コネクトロミクスの再現性と可視性について検討した。 QuantConnの課題の重要な革新は、(1)最初に調和の文脈でバンドルとトラクトグラフィーを評価し、(2)初めて調和の文脈でコネクトロミクスを評価し、(3)先行調和の課題であるMUSHACとSuperMUDIの100倍のテーマを10倍追加することである。 その結果,バンドル表面積,分画異方性,コネクトームの非等方性,両面中心性,エッジ数,モジュール性,結節強度,参加係数の尺度が最も偏りが強く,機械学習のボクセル補正,RISHマッピング,NeSH法がこれらの偏りを効果的に低減していることが判明した。 また, マイクロ構造測定器AD, MD, RD, バンドル長, コネクトーム密度, 効率, パス長は, これらの差にほとんど偏らない。

関連論文リスト

• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Robust Fiber ODF Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [7.9283612449524155]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis [1.9632065069564202]
  クロスモダリティMRI合成のためのサイクル誘導拡散確率モデル(CG-DDPM) 2つのDDPMが互いに条件付きで、2つの異なるMRIパルスシーケンスから合成画像を生成する。 2つのDDPMは、逆のプロセスでランダム潜時ノイズを交換し、DDPMを正規化し、2つのモードで一致する画像を生成するのに役立つ。
  論文  参考訳（メタデータ） (2023-04-28T18:28:54Z)
• DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast MRI Super-Resolution [8.721585866050757]
  マルチコントラスト脳MRI超解像のための条件拡散モデルDisC-Diffを提案する。 DisC-Diffは修復における不確実性を効果的に推定し、安定した最適化プロセスを保証する。 578個の正常脳を含むIXIデータセットと316個の病理脳を含む臨床データセットの2つのデータセットに対するDisC-Diffの有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-24T11:42:45Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Meta-modal Information Flow: A Method for Capturing Multimodal Modular Disconnectivity in Schizophrenia [11.100316178148994]
  統合失調症(SZ)における解離と機能不全の仮説に対処するための多モードデータを活用する手法を提案する。 マルチモーダルデータセットを通して精神疾患に関連するリンクを特定するために,GGMに適用可能なモジュール性に基づく手法を提案する。 シミュレーションと実データにより,本手法は単一モダリティに焦点をあてて欠落する疾患関連ネットワーク破壊に関する重要な情報を明らかにする。
  論文  参考訳（メタデータ） (2020-01-06T18:46:41Z)

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。