論文の概要: ReMiDi: Reconstruction of Microstructure Using a Differentiable Diffusion MRI Simulator
- arxiv url: http://arxiv.org/abs/2502.01988v1
- Date: Tue, 04 Feb 2025 04:03:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:52:17.045526
- Title: ReMiDi: Reconstruction of Microstructure Using a Differentiable Diffusion MRI Simulator
- Title（参考訳）: ReMiDi:微分拡散MRIシミュレータによる組織再構築
- Authors: Prathamesh Pradeep Khole, Zahra Kais Petiwala, Shri Prathaa Magesh, Ehsan Mirafzali, Utkarsh Gupta, Jing-Rebecca Li, Andrada Ianus, Razvan Marinescu,
- Abstract要約: ReMiDiは、微分拡散磁気共鳴イメージング(dMRI)シミュレーターを用いて神経細胞の微細構造を任意の3次元メッシュとして推定する新しい手法である。
本稿では、参照信号にマッチするように調整可能な信号をシミュレートする、エンドツーエンドの微分可能なパイプラインを提案する。
有限要素メッシュで表される任意の形状の微細構造を再構築する能力を示し,脳白質中の軸索ジオメトリーに着目した。
- 参考スコア（独自算出の注目度）: 0.602276990341246
- License:
- Abstract: We propose ReMiDi, a novel method for inferring neuronal microstructure as arbitrary 3D meshes using a differentiable diffusion Magnetic Resonance Imaging (dMRI) simulator. We first implemented in PyTorch a differentiable dMRI simulator that simulates the forward diffusion process using a finite-element method on an input 3D microstructure mesh. To achieve significantly faster simulations, we solve the differential equation semi-analytically using a matrix formalism approach. Given a reference dMRI signal $S_{ref}$, we use the differentiable simulator to iteratively update the input mesh such that it matches $S_{ref}$ using gradient-based learning. Since directly optimizing the 3D coordinates of the vertices is challenging, particularly due to ill-posedness of the inverse problem, we instead optimize a lower-dimensional latent space representation of the mesh. The mesh is first encoded into spectral coefficients, which are further encoded into a latent $\textbf{z}$ using an auto-encoder, and are then decoded back into the true mesh. We present an end-to-end differentiable pipeline that simulates signals that can be tuned to match a reference signal by iteratively updating the latent representation $\textbf{z}$. We demonstrate the ability to reconstruct microstructures of arbitrary shapes represented by finite-element meshes, with a focus on axonal geometries found in the brain white matter, including bending, fanning and beading fibers. Our source code will be made available online.
- Abstract（参考訳）: 微分拡散磁気共鳴イメージング(dMRI)シミュレータを用いて神経細胞の微細構造を任意の3次元メッシュとして推定する新しい手法であるReMiDiを提案する。
我々はPyTorchにおいて,入力3Dマイクロ構造メッシュ上の有限要素法を用いて前方拡散過程をシミュレートする微分可能なdMRIシミュレータを最初に実装した。
より高速なシミュレーションを実現するために,行列形式法を用いて半解析的に微分方程式を解く。
参照dMRI信号 $S_{ref}$ が与えられたとき、微分可能なシミュレータを使って入力メッシュを反復的に更新し、勾配ベースの学習で $S_{ref}$ と一致するようにします。
頂点の3次元座標を直接最適化することは、特に逆問題の不備のため困難であるため、メッシュの低次元潜在空間表現を最適化する。
メッシュはまずスペクトル係数にエンコードされ、その後、オートエンコーダを使用して遅延$\textbf{z}$にエンコードされ、その後、真のメッシュに復号される。
本稿では、遅延表現 $\textbf{z}$ を反復的に更新することにより、参照信号にマッチするように調整可能な信号をシミュレートする、エンドツーエンドの微分可能なパイプラインを提案する。
本研究では, 有限要素メッシュで表される任意の形状の微細構造を, 曲げ, ファンニング, ビーディング繊維を含む脳白質物質中の軸索ジオメトリーに焦点をあてて再構築できることを実証する。
私たちのソースコードはオンラインで公開されます。
関連論文リスト
- EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models [15.846449180313778]
PolyDiffは、現実的で多様な3Dポリゴンメッシュを直接生成できる最初の拡散ベースのアプローチである。
我々のモデルは、下流3Dに統合可能な高品質な3D多角形メッシュを生成することができる。
論文 参考訳（メタデータ） (2023-12-18T18:19:26Z) - Neural Spherical Harmonics for structurally coherent continuous
representation of diffusion MRI signal [0.3277163122167433]
本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。
現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。
我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
論文 参考訳（メタデータ） (2023-08-16T08:28:01Z) - Angular Super-Resolution in Diffusion MRI with a 3D Recurrent
Convolutional Autoencoder [0.0]
高分解能拡散MRI(dMRI)データは、臨床環境ではスキャン時間に制限されることが多い。
角領域のdMRIボリュームを超解き放つことができる3次元リカレント畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2022-03-29T14:08:30Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳（メタデータ） (2021-11-08T05:29:35Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳（メタデータ） (2020-11-03T02:57:01Z) - Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows [79.39092757515395]
ニューラルメッシュフロー (NMF) を用いて, 種数0の2次元メッシュを生成する。
NMFは数個のニューラル正規微分方程式(NODE)ブロックからなる形状自動エンコーダで、球面メッシュを段階的に変形させることで正確なメッシュ形状を学習する。
実験の結果,NMFは単一視点メッシュ再構成,大域的な形状パラメータ化,テクスチャマッピング,形状変形,対応性など,いくつかの応用に役立つことがわかった。
論文 参考訳（メタデータ） (2020-07-21T17:45:41Z)
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。