Fugu-MT 論文翻訳(概要): A Few-Shot Metric Learning Method with Dual-Channel Attention for Cross-Modal Same-Neuron Identification

論文の概要: A Few-Shot Metric Learning Method with Dual-Channel Attention for Cross-Modal Same-Neuron Identification

arxiv url: http://arxiv.org/abs/2504.16520v1
Date: Wed, 23 Apr 2025 08:45:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.055084
Title: A Few-Shot Metric Learning Method with Dual-Channel Attention for Cross-Modal Same-Neuron Identification
Title（参考訳）: デュアルチャネルアテンションを用いたクロスモーダル同ニューロン同定のための数ショット距離学習法
Authors: Wenwei Li, Liyi Cai, Wu Chen, Anan Li,
Abstract要約: 本稿では,デュアルチャネルアテンション機構と事前学習型視覚変換器を併用した数発のメトリクス学習手法を提案する。 2光子とfMOSTデータセットの実験では、既存の手法と比較してTop-Kの精度とリコールが優れている。
参考スコア（独自算出の注目度）: 1.3472715366596661
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In neuroscience research, achieving single-neuron matching across different imaging modalities is critical for understanding the relationship between neuronal structure and function. However, modality gaps and limited annotations present significant challenges. We propose a few-shot metric learning method with a dual-channel attention mechanism and a pretrained vision transformer to enable robust cross-modal neuron identification. The local and global channels extract soma morphology and fiber context, respectively, and a gating mechanism fuses their outputs. To enhance the model's fine-grained discrimination capability, we introduce a hard sample mining strategy based on the MultiSimilarityMiner algorithm, along with the Circle Loss function. Experiments on two-photon and fMOST datasets demonstrate superior Top-K accuracy and recall compared to existing methods. Ablation studies and t-SNE visualizations validate the effectiveness of each module. The method also achieves a favorable trade-off between accuracy and training efficiency under different fine-tuning strategies. These results suggest that the proposed approach offers a promising technical solution for accurate single-cell level matching and multimodal neuroimaging integration.
Abstract（参考訳）: 神経科学研究において、異なる画像モダリティにまたがる単一ニューロンマッチングを達成することは、神経構造と機能の関係を理解する上で重要である。しかし、モダリティのギャップと限定的なアノテーションは重大な課題を呈している。本稿では,デュアルチャネルアテンション機構と事前学習型視覚変換器を併用した数発のメトリクス学習手法を提案する。局所チャネルと大域チャネルはそれぞれソマ形態と繊維コンテキストを抽出し、ゲーティング機構はその出力を融合させる。モデルのきめ細かい識別能力を高めるために,MultiSimilarityMinerアルゴリズムとCircle Loss関数を用いたハードサンプルマイニング戦略を導入する。 2光子とfMOSTデータセットの実験では、既存の手法と比較してTop-Kの精度とリコールが優れている。アブレーション研究とt-SNE可視化は各モジュールの有効性を検証する。この方法は、異なる微調整戦略の下での精度と訓練効率の良好なトレードオフも達成する。これらの結果から,提案手法は単一細胞レベルの正確なマッチングとマルチモーダル・ニューロイメージング統合のための有望な技術的解決策を提供すると考えられる。

関連論文リスト

A Heterogeneous Graph Neural Network Fusing Functional and Structural Connectivity for MCI Diagnosis [5.626542453309023]
ヘテロジニアスグラフニューラルネットワーク(HGNN)に基づく機能的および構造的接続を統合する新しい手法を提案する。実験の結果,提案手法は他のアルゴリズムよりも有効であり,平均分類精度は93.3%であった。
論文参考訳（メタデータ） (2024-11-13T08:17:52Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Joint Self-Supervised and Supervised Contrastive Learning for Multimodal MRI Data: Towards Predicting Abnormal Neurodevelopment [5.771221868064265]
マルチモーダルMRIデータから頑健な潜在特徴表現を学習するための,新しい自己教師付きコントラスト学習法を提案する。本手法は,マルチモーダルデータの活用により,臨床実習におけるコンピュータ支援診断を容易にする能力を有する。
論文参考訳（メタデータ） (2023-12-22T21:05:51Z)
Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文参考訳（メタデータ） (2023-08-28T12:55:13Z)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文参考訳（メタデータ） (2023-05-18T06:54:56Z)
A Segmentation Method for fluorescence images without a machine learning approach [0.0]
本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
論文参考訳（メタデータ） (2022-12-28T16:47:05Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文参考訳（メタデータ） (2021-06-03T00:02:05Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文参考訳（メタデータ） (2020-04-01T09:01:25Z)

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。