論文の概要: Fully Automated Segmentation of Fiber Bundles in Anatomic Tracing Data
- arxiv url: http://arxiv.org/abs/2508.12942v2
- Date: Tue, 19 Aug 2025 15:58:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 13:30:22.899995
- Title: Fully Automated Segmentation of Fiber Bundles in Anatomic Tracing Data
- Title(参考訳): 解剖学的追跡データにおける繊維束の完全自動分割
- Authors: Kyriaki-Margarita Bintsi, Yaël Balbastre, Jingjing Wu, Julia F. Lehman, Suzanne N. Haber, Anastasia Yendiki,
- Abstract要約: マカクトレーサデータにおけるファイババンドルセグメンテーションのための合理化完全に自動化されたフレームワークを提案する。
提案手法では,端末をバンドルとして誤ラベルするなどの一般的なエラーを排除し,スパースバンドルの検出を20%以上改善し,FDR(False Discovery Rate)を40%削減する。
この新たなフレームワークは、大規模な解剖学的トレースデータの自動解析を容易にし、dMRIトラクトグラフィー手法の検証と最適化に使用できる、より基礎的なデータを生成する。
- 参考スコア(独自算出の注目度): 1.714556946340362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anatomic tracer studies are critical for validating and improving diffusion MRI (dMRI) tractography. However, large-scale analysis of data from such studies is hampered by the labor-intensive process of annotating fiber bundles manually on histological slides. Existing automated methods often miss sparse bundles or require complex post-processing across consecutive sections, limiting their flexibility and generalizability. We present a streamlined, fully automated framework for fiber bundle segmentation in macaque tracer data, based on a U-Net architecture with large patch sizes, foreground aware sampling, and semisupervised pre-training. Our approach eliminates common errors such as mislabeling terminals as bundles, improves detection of sparse bundles by over 20% and reduces the False Discovery Rate (FDR) by 40% compared to the state-of-the-art, all while enabling analysis of standalone slices. This new framework will facilitate the automated analysis of anatomic tracing data at a large scale, generating more ground-truth data that can be used to validate and optimize dMRI tractography methods.
- Abstract(参考訳): 解剖学的トレーサー研究は拡散MRI(dMRI)トラクトグラフィーの検証と改善に重要である。
しかし、このような研究から得られたデータの大規模分析は、組織学的スライド上に繊維束を手動でアノテートする労働集約的なプロセスによって妨げられる。
既存の自動化手法は、しばしばスパースバンドルを見逃したり、連続するセクションにまたがって複雑な後処理を必要とし、柔軟性と一般化性を制限する。
本稿では,大規模なパッチサイズを持つU-Netアーキテクチャ,フォアグラウンド対応サンプリング,および半教師付き事前学習に基づく,マカクトレーサデータ中のファイバーバンドルセグメンテーションを合理化して完全に自動化するフレームワークを提案する。
提案手法では,端末をバンドルとして誤ラベルするなどの一般的なエラーを排除し,スパースバンドルの検出を20%以上改善し,FDR(False Discovery Rate)を最先端と比較して40%削減し,スタンドアローンスライスの解析を可能にした。
この新たなフレームワークは、大規模な解剖学的トレースデータの自動解析を容易にし、dMRIトラクトグラフィー手法の検証と最適化に使用できる、より基礎的なデータを生成する。
関連論文リスト
- Learning Generalizable Features for Tibial Plateau Fracture Segmentation Using Masked Autoencoder and Limited Annotations [9.62712439690871]
我々は,CTにおける正確なTPFセグメンテーションのためのマスク付きオートエンコーダ(MAE)に基づく効果的なトレーニング戦略を提案する。
本手法は,大域的な骨格構造と,ラベルなしデータからのき裂の微細化,およびラベル付きデータの微細化にMAEプリトレーニングを利用する。
実験結果から,本手法は半教師付き手法より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2025-02-05T03:44:52Z) - 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) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - FIESTA: Autoencoders for accurate fiber segmentation in tractography [0.451460103439387]
ホワイトマターバンドルセグメンテーション(White matter bundle segmentation)は、神経疾患、神経外科、老化などの領域における脳の構造的接続を研究するための、現代のトラクトグラフィーの基盤である。
FIESTA (FIbEr in Tractography using Autoencoders) は信頼性が高く、堅牢で、完全に自動化され、深層オートエンコーダをベースとした半自動校正パイプラインである。
提案手法はRecoBundles, RecoBundlesX, TractSeg, White Matter Analysis, XTRACTなどの最先端の仮想解剖法よりも信頼性が高いことを示す。
論文 参考訳(メタデータ) (2022-11-30T22:28:24Z) - Constrained self-supervised method with temporal ensembling for fiber
bundle detection on anatomic tracing data [0.08329098197319453]
本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。
異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
論文 参考訳(メタデータ) (2022-08-06T19:17:02Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z)
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。