論文の概要: Tractography-Guided Dual-Label Collaborative Learning for Multi-Modal Cranial Nerves Parcellation

• arxiv url: http://arxiv.org/abs/2508.01577v1
• Date: Sun, 03 Aug 2025 04:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.947298
• Title: Tractography-Guided Dual-Label Collaborative Learning for Multi-Modal Cranial Nerves Parcellation
• Title（参考訳）: マルチモーダル脳神経パーセレーションのためのトラクトグラフィ誘導デュアルラベル協調学習
• Authors: Lei Xie, Junxiong Huang, Yuanjing Feng, Qingrun Zeng,
• Abstract要約: マルチモーダルCranial Nervesパーセレーションネットワークは有望なセグメンテーション性能を達成した。 本研究では,マルチモーダルCNs構文解析のためのトラクトグラフィ誘導デュアルラベル協調学習ネットワーク(DCLNet)を提案する。
• 参考スコア（独自算出の注目度）: 9.144317581156821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The parcellation of Cranial Nerves (CNs) serves as a crucial quantitative methodology for evaluating the morphological characteristics and anatomical pathways of specific CNs. Multi-modal CNs parcellation networks have achieved promising segmentation performance, which combine structural Magnetic Resonance Imaging (MRI) and diffusion MRI. However, insufficient exploration of diffusion MRI information has led to low performance of existing multi-modal fusion. In this work, we propose a tractography-guided Dual-label Collaborative Learning Network (DCLNet) for multi-modal CNs parcellation. The key contribution of our DCLNet is the introduction of coarse labels of CNs obtained from fiber tractography through CN atlas, and collaborative learning with precise labels annotated by experts. Meanwhile, we introduce a Modality-adaptive Encoder Module (MEM) to achieve soft information swapping between structural MRI and diffusion MRI. Extensive experiments conducted on the publicly available Human Connectome Project (HCP) dataset demonstrate performance improvements compared to single-label network. This systematic validation underscores the effectiveness of dual-label strategies in addressing inherent ambiguities in CNs parcellation tasks.
• Abstract（参考訳）: 頭蓋神経(CN)のパーセレーションは、特定のCNの形態的特徴と解剖学的経路を評価するための重要な定量的方法論である。 構造的磁気共鳴イメージング(MRI)と拡散MRIを組み合わせた多モードCNsパーセレーションネットワークは,有望なセグメンテーション性能を実現している。 しかし、拡散MRI情報の探索が不十分なため、既存のマルチモーダル核融合の性能は低下した。 本研究では,マルチモーダルCNs構文解析のためのトラクトグラフィ誘導デュアルラベル協調学習ネットワーク(DCLNet)を提案する。 我々のDCLNetの重要な貢献は、繊維トラクトグラフィーからCNアトラスを通じて得られたCNの粗いラベルの導入と、専門家が注釈した正確なラベルとの協調学習である。 一方,構造MRIと拡散MRIのソフト情報交換を実現するため,モダリティ適応型エンコーダモジュール(MEM)を導入する。 HCP(Human Connectome Project)データセットで実施された大規模な実験は、シングルラベルネットワークと比較してパフォーマンスが向上したことを示している。 この体系的検証は、CNsパーセレーションタスクにおける固有の曖昧性に対処するための二重ラベル戦略の有効性を裏付けるものである。

関連論文リスト

• Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation [0.6597195879147557]
  頸動脈血管壁とプラークのセグメンテーションのためのマルチシーケンスMRIデータを統合するための半教師付き深層学習手法を提案する。 動脈硬化症52例に対し, それぞれ5つのMRIシークエンスを施行した。
  論文  参考訳（メタデータ） (2025-07-10T07:31:31Z)
• CmFNet: Cross-modal Fusion Network for Weakly-supervised Segmentation of Medical Images [15.499686354040774]
  そこで我々は,CmFNetを提案する。CmFNetは3次元弱教師付き医用画像分割手法である。 CmFNetは、モダリティ固有の特徴学習ネットワーク、クロスモーダル特徴学習ネットワーク、ハイブリッド教師あり学習戦略の3つの主要コンポーネントで構成されている。 当社のアプローチは、オーバーフィッティングを効果的に軽減し、堅牢なセグメンテーション結果を提供する。
  論文  参考訳（メタデータ） (2025-06-22T14:02:27Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• An Arbitrary-Modal Fusion Network for Volumetric Cranial Nerves Tract Segmentation [21.228897192093573]
  そこで我々は,CNTSeg-v2と呼ばれる,体積性頭蓋神経(CNs)の領域分割のための新しい任意モード核融合ネットワークを提案する。 我々のモデルは、他の補助モーダルから情報的特徴を効果的に抽出するために設計されたArbitrary-Modal Collaboration Module (ACM)を含んでいる。 我々のCNTSeg-v2は最先端のセグメンテーション性能を達成し、競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T06:00:41Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Two-stage MR Image Segmentation Method for Brain Tumors based on Attention Mechanism [27.08977505280394]
  CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。 ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。 元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
  論文  参考訳（メタデータ） (2023-04-17T08:34:41Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• 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。