Fugu-MT 論文翻訳(概要): A Multimodal Deep Learning Approach for White Matter Shape Prediction in Diffusion MRI Tractography

論文の概要: A Multimodal Deep Learning Approach for White Matter Shape Prediction in Diffusion MRI Tractography

arxiv url: http://arxiv.org/abs/2504.18400v1
Date: Fri, 25 Apr 2025 14:54:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.803836
Title: A Multimodal Deep Learning Approach for White Matter Shape Prediction in Diffusion MRI Tractography
Title（参考訳）: 拡散MRIトラクトグラフィにおける白質形状予測のための多モード深層学習手法
Authors: Yui Lo, Yuqian Chen, Dongnan Liu, Leo Zekelman, Jarrett Rushmore, Yogesh Rathi, Nikos Makris, Alexandra J. Golby, Fan Zhang, Weidong Cai, Lauren J. O'Donnell,
Abstract要約: そこで我々は,10個の白質トラクトグラフィー形状を予測できる新しいディープラーニングフレームワークであるTract2Shapeを提案する。モデル効率を向上させるために,モデルの次元削減アルゴリズムを用いて5つの一次形状成分を予測した。本研究では,HCP-YAデータセットと未確認PPMIデータセットを用いて,Tract2Shapeの性能評価を行った。
参考スコア（独自算出の注目度）: 40.91207723143099
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Shape measures have emerged as promising descriptors of white matter tractography, offering complementary insights into anatomical variability and associations with cognitive and clinical phenotypes. However, conventional methods for computing shape measures are computationally expensive and time-consuming for large-scale datasets due to reliance on voxel-based representations. We propose Tract2Shape, a novel multimodal deep learning framework that leverages geometric (point cloud) and scalar (tabular) features to predict ten white matter tractography shape measures. To enhance model efficiency, we utilize a dimensionality reduction algorithm for the model to predict five primary shape components. The model is trained and evaluated on two independently acquired datasets, the HCP-YA dataset, and the PPMI dataset. We evaluate the performance of Tract2Shape by training and testing it on the HCP-YA dataset and comparing the results with state-of-the-art models. To further assess its robustness and generalization ability, we also test Tract2Shape on the unseen PPMI dataset. Tract2Shape outperforms SOTA deep learning models across all ten shape measures, achieving the highest average Pearson's r and the lowest nMSE on the HCP-YA dataset. The ablation study shows that both multimodal input and PCA contribute to performance gains. On the unseen testing PPMI dataset, Tract2Shape maintains a high Pearson's r and low nMSE, demonstrating strong generalizability in cross-dataset evaluation. Tract2Shape enables fast, accurate, and generalizable prediction of white matter shape measures from tractography data, supporting scalable analysis across datasets. This framework lays a promising foundation for future large-scale white matter shape analysis.
Abstract（参考訳）: 形状測定はホワイトマタートラクトグラフィーの有望な記述として現れ、解剖学的多様性と認知的および臨床的表現型との関連性に関する補完的な洞察を提供する。しかし、従来の形状測定法は、ボクセルに基づく表現に依存するため、大規模データセットでは計算コストが高く、時間を要する。幾何学的特徴(点雲)とスカラー特徴(タブラル)を活用して10個の白色物質トラクトグラフィー形状を推定する,新しい多モード深層学習フレームワークであるTract2Shapeを提案する。モデル効率を向上させるために,モデルの次元削減アルゴリズムを用いて5つの一次形状成分を予測した。このモデルは、HCP-YAデータセットとPPMIデータセットという、独立に取得した2つのデータセットでトレーニングされ、評価される。我々は、HCP-YAデータセット上でのトレーニングとテストによりTract2Shapeの性能を評価し、その結果を最先端のモデルと比較した。さらに、その堅牢性と一般化能力を評価するために、未確認PPMIデータセット上でTract2Shapeをテストする。 Tract2Shapeは、HCP-YAデータセット上で、平均的なピアソンのrと最低のnMSEを達成し、全10の形状測定でSOTAディープラーニングモデルを上回っている。アブレーション研究では,マルチモーダル入力とPCAの両方が性能向上に寄与していることが示された。未確認のPPMIデータセットでは、Tract2ShapeはピアソンのrとnMSEを高く維持し、クロスデータセット評価において強い一般化性を示す。 Tract2Shapeは、トラクトグラフィーデータからホワイトマター形状測定の高速、高精度、一般化可能な予測を可能にし、データセット間のスケーラブルな分析をサポートする。この枠組みは、将来の大規模ホワイトマター形状解析に有望な基盤を築き上げている。

関連論文リスト

Comprehensive Benchmarking of Machine Learning Methods for Risk Prediction Modelling from Large-Scale Survival Data: A UK Biobank Study [0.0]
大規模コホート研究と機械学習(ML)アルゴリズムの多種多様なツールキットにより、このような生存課題の取り組みが促進されている。我々は,線形学習モデルからディープラーニング(DL)モデルまで,8つのサバイバルタスク実装のベンチマークを試みた。 n = 5,000からn = 250,000のサンプルサイズで、異なるアーキテクチャがいかにうまくスケールするかを評価した。
論文参考訳（メタデータ） (2025-03-11T20:27:20Z)
Exploring Patterns Behind Sports [3.2838877620203935]
本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
論文参考訳（メタデータ） (2025-02-11T11:51:07Z)
SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
論文参考訳（メタデータ） (2025-01-16T18:59:46Z)
Exploring the Efficacy of Meta-Learning: Unveiling Superior Data Diversity Utilization of MAML Over Pre-training [1.3980986259786223]
データセットの多様性が視覚モデルの性能に影響を及ぼすことを示す。本研究は,テストセットの精度とデータの多様性との間に正の相関関係を示す。これらの結果は我々の仮説を支持し、形式的なデータの多様性がモデルの性能にどのように影響するかをより深く探究するための有望な方法を示す。
論文参考訳（メタデータ） (2025-01-15T00:56:59Z)
TractShapeNet: Efficient Multi-Shape Learning with 3D Tractography Point Clouds [39.93585584930809]
トラクトグラフィーのポイントクラウド表現を利用した新しいフレームワークTractShapeNetを導入し、5つの形状測度を計算した。形状測定計算実験により,提案したTractShapeNetは,他のクラウドベースニューラルネットワークモデルよりも優れていることが示された。その結果,より高速かつ効率的な形状測定計算が実現できることが示唆された。
論文参考訳（メタデータ） (2024-10-29T14:53:10Z)
The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文参考訳（メタデータ） (2023-09-20T10:31:17Z)
Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文参考訳（メタデータ） (2023-07-13T08:27:09Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文参考訳（メタデータ） (2021-05-25T02:17:56Z)

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。