論文の概要: End-to-End Deep Learning for Structural Brain Imaging: A Unified Framework

• arxiv url: http://arxiv.org/abs/2502.18523v1
• Date: Sun, 23 Feb 2025 20:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:34.210519
• Title: End-to-End Deep Learning for Structural Brain Imaging: A Unified Framework
• Title（参考訳）: 構造脳イメージングのためのエンドツーエンドディープラーニング:統一フレームワーク
• Authors: Yao Su, Keqi Han, Mingjie Zeng, Lichao Sun, Liang Zhan, Carl Yang, Lifang He, Xiangnan Kong,
• Abstract要約: すべての処理ステップをひとつの最適化プロセスに統合する統合エンドツーエンドフレームワークであるUniBrainを紹介する。 タスク固有のアノテーションを必要とする従来のアプローチとは異なり、UniBrainは最小限の監視で動作する。
• 参考スコア（独自算出の注目度）: 37.688756700995306
• License:
• Abstract: Brain imaging analysis is fundamental in neuroscience, providing valuable insights into brain structure and function. Traditional workflows follow a sequential pipeline-brain extraction, registration, segmentation, parcellation, network generation, and classification-treating each step as an independent task. These methods rely heavily on task-specific training data and expert intervention to correct intermediate errors, making them particularly burdensome for high-dimensional neuroimaging data, where annotations and quality control are costly and time-consuming. We introduce UniBrain, a unified end-to-end framework that integrates all processing steps into a single optimization process, allowing tasks to interact and refine each other. Unlike traditional approaches that require extensive task-specific annotations, UniBrain operates with minimal supervision, leveraging only low-cost labels (i.e., classification and extraction) and a single labeled atlas. By jointly optimizing extraction, registration, segmentation, parcellation, network generation, and classification, UniBrain enhances both accuracy and computational efficiency while significantly reducing annotation effort. Experimental results demonstrate its superiority over existing methods across multiple tasks, offering a more scalable and reliable solution for neuroimaging analysis. Our code and data can be found at https://github.com/Anonymous7852/UniBrain
• Abstract（参考訳）: 脳画像解析は神経科学の基本であり、脳の構造と機能に関する貴重な洞察を提供する。 従来のワークフローは、パイプラインブレイン抽出、登録、セグメンテーション、パーセレーション、ネットワーク生成、各ステップを独立したタスクとして分類処理する。 これらの手法はタスク固有のトレーニングデータと専門家による介入に大きく依存しており、特にアノテーションや品質管理が高価で時間を要する高次元の神経画像データには負担がかかる。 UniBrainは、すべての処理ステップを単一の最適化プロセスに統合し、タスク同士のインタラクションと洗練を可能にする、統合されたエンドツーエンドフレームワークである。 タスク固有のアノテーションを必要とする従来のアプローチとは異なり、UniBrainは最小限の監督の下で動作し、低コストなラベル(分類と抽出)と単一のラベル付きアトラスのみを活用する。 UniBrainは、抽出、登録、セグメンテーション、パーセレーション、ネットワーク生成、分類を共同で最適化することにより、アノテーションの労力を大幅に削減しつつ、精度と計算効率を両立させる。 実験により、複数のタスクにわたる既存の手法よりも優れていることが示され、ニューロイメージング解析のためのよりスケーラブルで信頼性の高いソリューションが提供される。 私たちのコードとデータはhttps://github.com/Anonymous7852/UniBrainで参照できます。

関連論文リスト

• What should a neuron aim for? Designing local objective functions based on information theory [41.39714023784306]
  バイオインスパイアされた局所学習目標を設計することで、自己組織化された人工ニューロンをどのように達成できるかを示す。 これらの目標は、情報理論の最近の拡張である部分情報分解を用いてパラメータ化される。 我々の研究は、地域学習戦略の原則的情報理論の基礎を推進している。
  論文  参考訳（メタデータ） (2024-12-03T14:45:46Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution [30.186917337606477]
  運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。 MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。 以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T09:06:16Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• One-shot Joint Extraction, Registration and Segmentation of Neuroimaging Data [20.2926956400118]
  抽出,登録,セグメント化タスクを協調的に最適化するために,JERSと呼ばれる統一的なエンドツーエンドフレームワークを提案する。 提案手法は,抽出,登録,セグメンテーションタスクにおいて例外的に機能する。
  論文  参考訳（メタデータ） (2023-07-27T21:14:40Z)
• ERNet: Unsupervised Collective Extraction and Registration in Neuroimaging Data [19.691653910323566]
  我々はERNetと呼ばれる統合されたエンドツーエンドフレームワークを提案し、抽出タスクと登録タスクを協調的に最適化する。 実験の結果,提案手法はニューロイメージングデータにおける抽出・登録タスクの性能を効果的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T20:12:54Z)
• Convolutional Neural Networks for cytoarchitectonic brain mapping at large scale [0.33727511459109777]
  今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。 これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。 新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
  論文  参考訳（メタデータ） (2020-11-25T16:25:13Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。