論文の概要: Deep Learning-Based Diffusion MRI Tractography: Integrating Spatial and Anatomical Information

• arxiv url: http://arxiv.org/abs/2503.03329v1
• Date: Wed, 05 Mar 2025 10:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:17.657857
• Title: Deep Learning-Based Diffusion MRI Tractography: Integrating Spatial and Anatomical Information
• Title（参考訳）: 深層学習に基づく拡散MRIトラクトグラフィー : 空間情報と解剖情報の統合
• Authors: Yiqiong Yang, Yitian Yuan, Baoxing Ren, Ye Wu, Yanqiu Feng, Xinyuan Zhang,
• Abstract要約: 拡散MRI法は、脳内の白質経路を非侵襲的に可視化することを可能にする。 神経科学や臨床分野で重要な役割を担い、脳の接続性や神経疾患の研究を促進する。 深層学習法は、ホワイトマターのカバレッジを改善するためにトラクトグラムを改善するために応用されてきたが、しばしば過剰な偽陽性接続を発生させることに費やされる。
• 参考スコア（独自算出の注目度）: 6.669798532124614
• License:
• Abstract: Diffusion MRI tractography technique enables non-invasive visualization of the white matter pathways in the brain. It plays a crucial role in neuroscience and clinical fields by facilitating the study of brain connectivity and neurological disorders. However, the accuracy of reconstructed tractograms has been a longstanding challenge. Recently, deep learning methods have been applied to improve tractograms for better white matter coverage, but often comes at the expense of generating excessive false-positive connections. This is largely due to their reliance on local information to predict long range streamlines. To improve the accuracy of streamline propagation predictions, we introduce a novel deep learning framework that integrates image-domain spatial information and anatomical information along tracts, with the former extracted through convolutional layers and the later modeled via a Transformer-decoder. Additionally, we employ a weighted loss function to address fiber class imbalance encountered during training. We evaluate the proposed method on the simulated ISMRM 2015 Tractography Challenge dataset, achieving a valid streamline rate of 66.2%, white matter coverage of 63.8%, and successfully reconstructing 24 out of 25 bundles. Furthermore, on the multi-site Tractoinferno dataset, the proposed method demonstrates its ability to handle various diffusion MRI acquisition schemes, achieving a 5.7% increase in white matter coverage and a 4.1% decrease in overreach compared to RNN-based methods.
• Abstract（参考訳）: 拡散MRI法は、脳内の白質経路を非侵襲的に可視化することを可能にする。 神経科学や臨床分野で重要な役割を担い、脳の接続性や神経疾患の研究を促進する。 しかし, 再建したトラクトグラムの精度は長年にわたる課題である。 近年, 深層学習法がトラクトグラムの改良に応用されているが, 過剰な偽陽性接続を発生させることがしばしばある。 これは主に、長距離の流線型を予測するためのローカル情報に依存しているためである。 画像領域の空間情報と解剖情報をトラクションに沿って統合し,前者は畳み込み層から抽出し,後者はトランスフォーマーデコーダでモデル化した。 さらに、トレーニング中に遭遇したファイバクラスの不均衡に対処するために、重み付き損失関数を用いる。 In this method on thesimulated ISMRM 2015 Tractography Challenge dataset, achieved a valid streamline rate of 66.2%, white matter coverage of 63.8%, and successfully restructing 24 of 25 bundles。 さらに, マルチサイトTractoinfernoデータセットでは, 様々な拡散MRI取得方式の処理能力を示し, ホワイトマターのカバレッジが5.7%増加し, オーバーリーチが4.1%減少した。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Tract-RLFormer: A Tract-Specific RL policy based Decoder-only Transformer Network [6.879358907713364]
  教師付き学習と強化学習の両方を利用したネットワークである Tract-RLFormer を提案する。 トラクション固有のアプローチを用いることで、従来のセグメンテーションプロセスをバイパスして、ネットワークは関心のトラクションを直接的に記述する。 われわれの手法は、脳の白質領域を正確にマッピングする能力を示し、トラクトグラフィーの飛躍的な進歩を示す。
  論文  参考訳（メタデータ） (2024-11-08T18:18:18Z)
• 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)
• Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
  本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。 妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
  論文  参考訳（メタデータ） (2024-08-26T14:54:14Z)
• Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
  我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。 独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-04T19:56:19Z)
• Reconstructing the somatotopic organization of the corticospinal tract remains a challenge for modern tractography methods [55.07297021627281]
  CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。 拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
  論文  参考訳（メタデータ） (2023-06-09T02:05:40Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。