論文の概要: TractoGPT: A GPT architecture for White Matter Segmentation

• arxiv url: http://arxiv.org/abs/2501.15464v2
• Date: Fri, 21 Feb 2025 05:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:07:50.657648
• Title: TractoGPT: A GPT architecture for White Matter Segmentation
• Title（参考訳）: TractoGPT:ホワイトマターセグメンテーションのためのGPTアーキテクチャ
• Authors: Anoushkrit Goel, Simroop Singh, Ankita Joshi, Ranjeet Ranjan Jha, Chirag Ahuja, Aditya Nigam, Arnav Bhavsar,
• Abstract要約: TractoGPTは、データセットをまたいで一般化し、ホワイトマターバンドルの形状情報を保持する完全に自動化された方法である。 実験の結果、TractoGPTは平均的なDICE、オーバーラップ、オーバーリーチのスコアで最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 5.919899935057211
• License:
• Abstract: White matter bundle segmentation is crucial for studying brain structural connectivity, neurosurgical planning, and neurological disorders. White Matter Segmentation remains challenging due to structural similarity in streamlines, subject variability, symmetry in 2 hemispheres, etc. To address these challenges, we propose TractoGPT, a GPT-based architecture trained on streamline, cluster, and fusion data representations separately. TractoGPT is a fully-automatic method that generalizes across datasets and retains shape information of the white matter bundles. Experiments also show that TractoGPT outperforms state-of-the-art methods on average DICE, Overlap and Overreach scores. We use TractoInferno and 105HCP datasets and validate generalization across dataset.
• Abstract（参考訳）: ホワイトマターバンドルのセグメンテーションは、脳の構造的接続、神経外科的計画、神経疾患の研究に不可欠である。 ホワイトマターセグメンテーションは、流線型の構造的類似性、主題の変動性、二つの半球の対称性などにより、依然として困難なままである。 これらの課題に対処するために,ストリーム,クラスタ,融合データ表現を個別にトレーニングしたGPTベースのアーキテクチャであるTractoGPTを提案する。 TractoGPTは、データセットをまたいで一般化し、ホワイトマターバンドルの形状情報を保持する完全に自動化された方法である。 実験の結果、TractoGPTは平均的なDICE、オーバーラップ、オーバーリーチのスコアにおいて最先端の手法よりも優れていた。 TractoInfernoと105HCPデータセットを使用して、データセット間の一般化を検証する。

関連論文リスト

• Learning Generalizable Features for Tibial Plateau Fracture Segmentation Using Masked Autoencoder and Limited Annotations [9.62712439690871]
  我々は,CTにおける正確なTPFセグメンテーションのためのマスク付きオートエンコーダ(MAE)に基づく効果的なトレーニング戦略を提案する。 本手法は,大域的な骨格構造と,ラベルなしデータからのき裂の微細化,およびラベル付きデータの微細化にMAEプリトレーニングを利用する。 実験結果から,本手法は半教師付き手法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-05T03:44:52Z)
• TractoEmbed: Modular Multi-level Embedding framework for white matter tract segmentation [5.919899935057211]
  脳の構造的接続と神経外科的計画の研究には,白質領域のセグメンテーションが不可欠である。 本稿では,各エンコーダの学習タスクを通じて局所化表現をエンコードするモジュール型マルチレベル埋め込みフレームワークであるTractoEmbedを提案する。 実験により、TractoEmbedは、さまざまなデータセットにまたがるホワイトマタートラクションセグメンテーションにおいて、最先端の手法よりも優れており、様々な年齢グループにまたがっていることが示された。
  論文  参考訳（メタデータ） (2024-11-12T21:12:51Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Segment Any Events via Weighted Adaptation of Pivotal Tokens [85.39087004253163]
  本稿では,Segment Anything Models (SAM) をイベントデータと統合する上で,難易度の高い課題に焦点を当てる。 本稿では,RGB画像とイベントデータからのトークン埋め込みのアライメントを最適化するマルチスケールな特徴蒸留手法を提案する。
  論文  参考訳（メタデータ） (2023-12-24T12:47:08Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• SegViz: A Federated Learning Framework for Medical Image Segmentation from Distributed Datasets with Different and Incomplete Annotations [3.6704226968275258]
  分散医用画像セグメンテーションデータセットから知識を集約する学習フレームワークであるSegVizを開発した。 SegVizは、両方のノードから知識を収集する肝臓と脾臓の両方をセグメント化できるモデルを構築するように訓練された。 以上の結果から,SegVizは臨床的に翻訳可能なマルチタスクセグメンテーションモデルのトレーニングに向けた重要な第一歩であることが示された。
  論文  参考訳（メタデータ） (2023-01-17T18:36:57Z)
• 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)
• TractoFormer: A Novel Fiber-level Whole Brain Tractography Analysis Framework Using Spectral Embedding and Vision Transformers [15.334469506736065]
  WBT(Whole Brain tractography)データには、何十万もの個々のファイバーの流線(推定脳接続)が含まれている。 本稿では,新しいパーセレーションフリーな WBT 解析フレームワークである TractoFormer を提案する。 病気分類実験において、TractoFormerは統合失調症とコントロールの分類において最も高い精度を達成する。
  論文  参考訳（メタデータ） (2022-07-05T21:38:26Z)

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。