論文の概要: Global Context Is All You Need for Parallel Efficient Tractography Parcellation

• arxiv url: http://arxiv.org/abs/2503.07104v1
• Date: Mon, 10 Mar 2025 09:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:21.679901
• Title: Global Context Is All You Need for Parallel Efficient Tractography Parcellation
• Title（参考訳）: 並列効率的なトラクトグラフィーのパーセレーションに必要なグローバルコンテキスト
• Authors: Valentin von Bornhaupt, Johannes Grün, and Justus Bisten, Tobias Bauer, Theodor Rüber, Thomas Schultz,
• Abstract要約: 並列効率的なトラクトグラフィ解析のための新しい手法であるPETParcを提案する。 PETParcはトランスフォーマーベースのアーキテクチャで、脳全体のトラクトグラムをランダムにサブトラクトグラムに分割する。 結果はしばしば以前の方法よりも優れている。
• 参考スコア（独自算出の注目度）: 0.6596280437011043
• License:
• Abstract: Whole-brain tractography in diffusion MRI is often followed by a parcellation in which each streamline is classified as belonging to a specific white matter bundle, or discarded as a false positive. Efficient parcellation is important both in large-scale studies, which have to process huge amounts of data, and in the clinic, where computational resources are often limited. TractCloud is a state-of-the-art approach that aims to maximize accuracy with a local-global representation. We demonstrate that the local context does not contribute to the accuracy of that approach, and is even detrimental when dealing with pathological cases. Based on this observation, we propose PETParc, a new method for Parallel Efficient Tractography Parcellation. PETParc is a transformer-based architecture in which the whole-brain tractogram is randomly partitioned into sub-tractograms whose streamlines are classified in parallel, while serving as global context for each other. This leads to a speedup of up to two orders of magnitude relative to TractCloud, and permits inference even on clinical workstations without a GPU. PETParc accounts for the lack of streamline orientation either via a novel flip-invariant embedding, or by simply using flips as part of data augmentation. Despite the speedup, results are often even better than those of prior methods. The code and pretrained model will be made public upon acceptance.
• Abstract（参考訳）: 拡散MRIにおける全脳トラクトグラフィーは、しばしばパーセル化され、それぞれのストリープラインは特定の白色物質束に属するか、偽陽性として破棄される。 効率的なパーセレーションは、大量のデータを処理しなければならない大規模研究と、しばしば計算資源が制限されるクリニックの両方において重要である。 TractCloudは最先端のアプローチで、ローカルなグローバル表現で精度を最大化することを目指している。 局所的な文脈は, そのアプローチの正確さに寄与せず, 病的症例を扱う際にも有害であることを示す。 そこで本研究では, PETParcという並列効率的なトラクトグラフィ解析手法を提案する。 PETParcはトランスフォーマーをベースとしたアーキテクチャで、脳全体のトラクトグラムをランダムにサブトラクトグラムに分割し、ストリームラインを並列に分類し、相互にグローバルなコンテキストとして機能させる。 これにより、TractCloudと比較して最大2桁のスピードアップが可能になり、GPUのない臨床ワークステーションでも推論が可能になる。 PETParcは、新しいフリップ不変の埋め込みによって、あるいはデータ拡張の一部として単にフリップを使用することによって、ストリームライン指向が欠如している。 スピードアップにもかかわらず、結果はしばしば以前の方法よりも優れている。 コードと事前訓練されたモデルは、受け入れ次第公開されます。

関連論文リスト

• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• 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)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• 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)
• Assessing Streamline Plausibility Through Randomized Iterative Spherical-Deconvolution Informed Tractogram Filtering [0.0]
  トラクトグラフィーは脳接続研究において欠かせない部分となっている。 最先端のトラクトグラフィー法によって生成されたトラクトグラムの流動性は解剖学的には不可能である。 本研究では, トラクトグラムのテクスト球面インフォームドフィルタ (SIFT) について検討する。 本稿では,各ストリームに対して複数の評価値を取得するために,無作為に選択されたトラクトグラムサブセットにSIFTを適用することを提案する。
  論文  参考訳（メタデータ） (2022-05-10T12:36:30Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Locally induced Gaussian processes for large-scale simulation experiments [0.0]
  本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。 提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。 計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
  論文  参考訳（メタデータ） (2020-08-28T21:37:46Z)

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。