論文の概要: DeepMultiConnectome: Deep Multi-Task Prediction of Structural Connectomes Directly from Diffusion MRI Tractography

• arxiv url: http://arxiv.org/abs/2505.22685v2
• Date: Wed, 11 Jun 2025 08:09:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 02:07:43.221781
• Title: DeepMultiConnectome: Deep Multi-Task Prediction of Structural Connectomes Directly from Diffusion MRI Tractography
• Title（参考訳）: DeepMultiConnectome:拡散MRIによる構造コネクトームのマルチタスク予測
• Authors: Marcus J. Vroemen, Yuqian Chen, Yui Lo, Tengfei Xue, Weidong Cai, Fan Zhang, Josien P. W. Pluim, Lauren J. O'Donnell,
• Abstract要約: 本稿では,構造コネクトームを直接トラクトグラフィーから予測するディープラーニングモデルであるDeepMultiConnectomeを紹介する。 マルチタスク学習を備えたポイントクラウドベースのニューラルネットワークを使用して、モデルは、接続されたリージョンに応じて、ストリームラインを分類する。 DeepMultiConnectomeは、予測されたコネクトームと従来のストリーラインのラベル付け法を用いて生成された従来のコネクトームを比較して評価する。
• 参考スコア（独自算出の注目度）: 8.182205565362745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI (dMRI) tractography enables in vivo mapping of brain structural connections, but traditional connectome generation is time-consuming and requires gray matter parcellation, posing challenges for large-scale studies. We introduce DeepMultiConnectome, a deep-learning model that predicts structural connectomes directly from tractography, bypassing the need for gray matter parcellation while supporting multiple parcellation schemes. Using a point-cloud-based neural network with multi-task learning, the model classifies streamlines according to their connected regions across two parcellation schemes, sharing a learned representation. We train and validate DeepMultiConnectome on tractography from the Human Connectome Project Young Adult dataset ($n = 1000$), labeled with an 84 and 164 region gray matter parcellation scheme. DeepMultiConnectome predicts multiple structural connectomes from a whole-brain tractogram containing 3 million streamlines in approximately 40 seconds. DeepMultiConnectome is evaluated by comparing predicted connectomes with traditional connectomes generated using the conventional method of labeling streamlines using a gray matter parcellation. The predicted connectomes are highly correlated with traditionally generated connectomes ($r = 0.992$ for an 84-region scheme; $r = 0.986$ for a 164-region scheme) and largely preserve network properties. A test-retest analysis of DeepMultiConnectome demonstrates reproducibility comparable to traditionally generated connectomes. The predicted connectomes perform similarly to traditionally generated connectomes in predicting age and cognitive function. Overall, DeepMultiConnectome provides a scalable, fast model for generating subject-specific connectomes across multiple parcellation schemes.
• Abstract（参考訳）: 拡散MRI(dMRI)トラクトグラフィーは脳の構造的接続の生体内マッピングを可能にするが、従来のコネクトーム生成には時間がかかり、グレーマターのパーセレーションが必要であり、大規模研究の課題となっている。 我々は,複数パーセレーションスキームをサポートしながら,灰白質パーセレーションの必要性を回避し,トラクトグラフィーから直接構造的コネクトームを予測するディープラーニングモデルであるDeepMultiConnectomeを紹介する。 マルチタスク学習を備えたポイントクラウドベースのニューラルネットワークを使用して、モデルは2つのパーセレーションスキームにまたがって、接続された領域に応じてストリームラインを分類し、学習された表現を共有する。 我々は,Human Connectome Project Young Adult dataset(n = 1000$)のトラクトグラフィーでDeepMultiConnectomeを訓練し,評価した。 DeepMultiConnectomeは、約40秒で300万のストリームラインを含む全脳トラクグラムから複数の構造的コネクトームを予測する。 DeepMultiConnectomeは、グレーマターパーセレーションを用いた従来のストリープラインのラベル付け法を用いて、予測されたコネクトームと従来のコネクトームを比較して評価する。 予測されたコネクトームは、伝統的に生成されたコネクトーム(84リージョンスキームは0.992$、$r = 0.986$、164リージョンスキームは0.986$)と高い相関関係を持ち、ネットワーク特性を保っている。 DeepMultiConnectomeのテスト再テスト分析は、伝統的に生成されたコネクトームに匹敵する再現性を示している。 予測されたコネクトームは、年齢や認知機能を予測するために伝統的に生成されたコネクトームと同様に機能する。 全体として、DeepMultiConnectomeは、複数のパーセレーションスキームにまたがる主題固有のコネクトームを生成する、スケーラブルで高速なモデルを提供する。

関連論文リスト

• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks [26.549559266395775]
  本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。 以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
  論文  参考訳（メタデータ） (2022-08-03T13:39:47Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification [0.0]
  本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。 また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。 実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-09-24T08:51:44Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。