論文の概要: TractCloud-FOV: Deep Learning-based Robust Tractography Parcellation in Diffusion MRI with Incomplete Field of View

• arxiv url: http://arxiv.org/abs/2502.20637v1
• Date: Fri, 28 Feb 2025 01:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:04.676193
• Title: TractCloud-FOV: Deep Learning-based Robust Tractography Parcellation in Diffusion MRI with Incomplete Field of View
• Title（参考訳）: TractCloud-FOV: 視野不完全拡散MRIにおける深層学習に基づくロバスト軌跡解析
• Authors: Yuqian Chen, Leo Zekelman, Yui Lo, Suheyla Cetin-Karayumak, Tengfei Xue, Yogesh Rathi, Nikos Makris, Fan Zhang, Weidong Cai, Lauren J. O'Donnell,
• Abstract要約: 本研究では,不完全なFOV条件下でのトラクトグラフィーを堅牢に解析するディープラーニングフレームワークであるTractCloud-FOVを紹介する。 そこで本研究では,実世界劣等なFOVカットオフシナリオのスペクトルをシミュレートするために,トラクトグラムを合成的にカットする,新しいトレーニング戦略FOV-Cut Augmentation(FOV-CA)を提案する。 提案したTractCloud-FOVを,不完全なFOVを含む2つの実生活データセットと合成されたトラクトグラフィーで評価した。
• 参考スコア（独自算出の注目度）: 7.560473809014894
• License:
• Abstract: Tractography parcellation classifies streamlines reconstructed from diffusion MRI into anatomically defined fiber tracts for clinical and research applications. However, clinical scans often have incomplete fields of view (FOV) where brain regions are partially imaged, leading to partial or truncated fiber tracts. To address this challenge, we introduce TractCloud-FOV, a deep learning framework that robustly parcellates tractography under conditions of incomplete FOV. We propose a novel training strategy, FOV-Cut Augmentation (FOV-CA), in which we synthetically cut tractograms to simulate a spectrum of real-world inferior FOV cutoff scenarios. This data augmentation approach enriches the training set with realistic truncated streamlines, enabling the model to achieve superior generalization. We evaluate the proposed TractCloud-FOV on both synthetically cut tractography and two real-life datasets with incomplete FOV. TractCloud-FOV significantly outperforms several state-of-the-art methods on all testing datasets in terms of streamline classification accuracy, generalization ability, tract anatomical depiction, and computational efficiency. Overall, TractCloud-FOV achieves efficient and consistent tractography parcellation in diffusion MRI with incomplete FOV.
• Abstract（参考訳）: トラクトグラフィー解析は、拡散MRIから解剖学的に定義された線維路に再構成された流線型を臨床および研究用途に分類する。 しかし、臨床スキャンでは、脳の領域が部分的に画像化されている不完全な視野(FOV)がしばしばあり、部分的または断裂した線維道に繋がる。 この課題に対処するために,不完全なFOV条件下でのトラクトログラフィーを堅牢に解析するディープラーニングフレームワークであるTractCloud-FOVを紹介した。 そこで本研究では,実世界劣等なFOVカットオフシナリオのスペクトルをシミュレートするために,トラクトグラムを合成的にカットする,新しいトレーニング戦略FOV-Cut Augmentation(FOV-CA)を提案する。 このデータ拡張アプローチは、現実的なトランカットされたストリームラインでトレーニングセットを強化し、モデルがより優れた一般化を達成することを可能にする。 提案したTractCloud-FOVを,不完全なFOVを含む2つの実生活データセットと合成されたトラクトグラフィーで評価した。 TractCloud-FOVは、流線形分類精度、一般化能力、トラクション解剖学的描写、計算効率の観点から、すべてのテストデータセットで最先端の手法を著しく上回っている。 全体として、TractCloud-FOVは不完全FOVを含む拡散MRIにおいて、効率的かつ一貫したトラクトグラフィー解析を実現する。

関連論文リスト

• Beyond the Lungs: Extending the Field of View in Chest CT with Latent Diffusion Models [15.573780808103985]
  ヒトの肺と肝臓や腎臓などの他の臓器の間の仲介は、肺疾患の根本的なリスクと影響を理解するために不可欠である。 ほとんどの研究で胸部CT像は、費用と放射線線量を考慮して肺のみに焦点を当てている。 この制限された視野は、包括的な分析に挑戦し、肺疾患が他の臓器に与える影響についての洞察を得ることを妨げる。
  論文  参考訳（メタデータ） (2025-01-22T18:28:18Z)
• Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.096809077954095]
  拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。 FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:41:29Z)
• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Field-of-View Extension for Brain Diffusion MRI via Deep Generative Models [8.077960607188261]
  本研究の目的は,不完全な視野を持つ既存のdMRIスキャンから直接,欠落したスライスを出力する手法を開発することである。 不完全なFOVを用いたdMRIスキャンにおいて、欠損脳領域を推定する深層生成モデルに基づくフレームワークを提案する。 提案手法はより正確で完全かつ拡張されたFOVで全脳トラクトグラフィーを施行し,アルツハイマー病関連結束解析における不確かさを低減した。
  論文  参考訳（メタデータ） (2024-05-06T17:23:42Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
  現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。 我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
  論文  参考訳（メタデータ） (2023-07-18T06:35:12Z)
• 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)
• Body Composition Assessment with Limited Field-of-view Computed Tomography: A Semantic Image Extension Perspective [5.373119949253442]
  Field-of-view (FOV) tissue truncation beyond the lungs is common in routine lung screening Computed tomography (CT) 本研究では,入力として画像データのみを必要とする意味的画像拡張の観点から問題を定式化する。 提案した2段階法は, 完全体の推定範囲に基づいて新しいFOV境界を同定し, 脱落した領域の欠損組織を溶出する。
  論文  参考訳（メタデータ） (2022-07-13T23:19:22Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。