Fugu-MT 論文翻訳(概要): TractoTransformer: Diffusion MRI Streamline Tractography using CNN and Transformer Networks

論文の概要: TractoTransformer: Diffusion MRI Streamline Tractography using CNN and Transformer Networks

arxiv url: http://arxiv.org/abs/2509.16429v1
Date: Fri, 19 Sep 2025 21:10:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-23 18:58:15.785295
Title: TractoTransformer: Diffusion MRI Streamline Tractography using CNN and Transformer Networks
Title（参考訳）: Tracto Transformer:CNNとTransformer Networksを用いた拡散MRIトランクトグラフィ
Authors: Itzik Waizman, Yakov Gusakov, Itay Benou, Tammy Riklin Raviv,
Abstract要約: ホワイトマタートラクトグラフィーは、拡散MRIデータから脳の3次元ホワイトマター経路を再構築する高度な技術である。そこで本研究では,トランスフォーマを利用して白色物質流線型の逐次的性質をモデル化するトラクトグラフィー手法を提案する。実世界のデータに強い一般化を示すTractoInfernoデータセットについて報告する。
参考スコア（独自算出の注目度）: 8.003036966340273
License: http://creativecommons.org/licenses/by/4.0/
Abstract: White matter tractography is an advanced neuroimaging technique that reconstructs the 3D white matter pathways of the brain from diffusion MRI data. It can be framed as a pathfinding problem aiming to infer neural fiber trajectories from noisy and ambiguous measurements, facing challenges such as crossing, merging, and fanning white-matter configurations. In this paper, we propose a novel tractography method that leverages Transformers to model the sequential nature of white matter streamlines, enabling the prediction of fiber directions by integrating both the trajectory context and current diffusion MRI measurements. To incorporate spatial information, we utilize CNNs that extract microstructural features from local neighborhoods around each voxel. By combining these complementary sources of information, our approach improves the precision and completeness of neural pathway mapping compared to traditional tractography models. We evaluate our method with the Tractometer toolkit, achieving competitive performance against state-of-the-art approaches, and present qualitative results on the TractoInferno dataset, demonstrating strong generalization to real-world data.
Abstract（参考訳）: ホワイトマタートラクトグラフィー(White matter tractography)は、拡散MRIデータから脳の3Dホワイトマター経路を再構築する高度な神経イメージング技術である。これは、ノイズやあいまいな測定から神経線維の軌跡を推測することを目的としたパスフィンディング問題であり、交差、マージ、扇動するホワイトマター構成といった課題に直面している。本稿では,トランスフォーマーを用いて白色物質流線型の逐次特性をモデル化し,トラジェクティブコンテキストと電流拡散MRI計測の両方を統合することで,繊維方向の予測を可能にするトラクトグラフィー手法を提案する。空間情報を組み込むために,各ボクセル周辺地域から微細構造特徴を抽出するCNNを利用する。これらの相補的な情報ソースを組み合わせることで、従来のトラクトグラフィーモデルと比較して、ニューラルネットワークマッピングの精度と完全性を向上させることができる。提案手法をトラクトメータ・ツールキットを用いて評価し,最先端のアプローチと競合する性能を実現し,実世界のデータに対する強力な一般化を示す。

関連論文リスト

Deep Learning-Based Diffusion MRI Tractography: Integrating Spatial and Anatomical Information [6.669798532124614]
拡散MRI法は、脳内の白質経路を非侵襲的に可視化することを可能にする。神経科学や臨床分野で重要な役割を担い、脳の接続性や神経疾患の研究を促進する。深層学習法は、ホワイトマターのカバレッジを改善するためにトラクトグラムを改善するために応用されてきたが、しばしば過剰な偽陽性接続を発生させることに費やされる。
論文参考訳（メタデータ） (2025-03-05T10:02:35Z)
Polyhedra Encoding Transformers: Enhancing Diffusion MRI Analysis Beyond Voxel and Volumetric Embedding [9.606654786275902]
本稿では,球面信号の処理に特化して設計されたdMRI用ポリヘドラ変換器(PE-Transformer)を提案する。提案手法では, 所定の方向から信号を再サンプリングするために, アイコサヘドの単位球を投影する。この再サンプリングされた信号は, アイコサヘドの方向を反映する情報を含むトランスフォーマーエンコーダによって処理され, 埋め込みに変換される。
論文参考訳（メタデータ） (2025-01-23T03:32:52Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
論文参考訳（メタデータ） (2023-12-10T01:28:47Z)
TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
論文参考訳（メタデータ） (2023-07-18T06:35:12Z)
Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文参考訳（メタデータ） (2023-03-17T18:00:27Z)
Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文参考訳（メタデータ） (2022-07-18T23:07:53Z)
Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文参考訳（メタデータ） (2021-11-30T04:30:10Z)
A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
論文参考訳（メタデータ） (2021-08-02T21:16:29Z)
A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文参考訳（メタデータ） (2021-05-18T10:15:17Z)

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。