論文の概要: DMVFC: Deep Learning Based Functionally Consistent Tractography Fiber Clustering Using Multimodal Diffusion MRI and Functional MRI

• arxiv url: http://arxiv.org/abs/2510.24770v1
• Date: Fri, 24 Oct 2025 14:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.477772
• Title: DMVFC: Deep Learning Based Functionally Consistent Tractography Fiber Clustering Using Multimodal Diffusion MRI and Functional MRI
• Title（参考訳）: DMVFC:多モード拡散MRIと機能MRIを用いた深層学習に基づく機能的トラクトグラフィファイバクラスタリング
• Authors: Bocheng Guo, Jin Wang, Yijie Li, Junyi Wang, Mingyu Gao, Puming Feng, Yuqian Chen, Jarrett Rushmore, Nikos Makris, Yogesh Rathi, Lauren J O'Donnell, Fan Zhang,
• Abstract要約: 我々は,Deep Multi-view Fiber Clustering (DMVFC)と呼ばれる新しいディープラーニングファイバクラスタリングフレームワークを開発した。 DMVFCは、機能的に一貫したホワイトマターのパーセレーションを可能にするために、ジョイントマルチモーダルdMRIとfMRIデータを使用する。
• 参考スコア（独自算出の注目度）: 12.342484916952749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tractography fiber clustering using diffusion MRI (dMRI) is a crucial method for white matter (WM) parcellation to enable analysis of brains structural connectivity in health and disease. Current fiber clustering strategies primarily use the fiber geometric characteristics (i.e., the spatial trajectories) to group similar fibers into clusters, while neglecting the functional and microstructural information of the fiber tracts. There is increasing evidence that neural activity in the WM can be measured using functional MRI (fMRI), providing potentially valuable multimodal information for fiber clustering to enhance its functional coherence. Furthermore, microstructural features such as fractional anisotropy (FA) can be computed from dMRI as additional information to ensure the anatomical coherence of the clusters. In this paper, we develop a novel deep learning fiber clustering framework, namely Deep Multi-view Fiber Clustering (DMVFC), which uses joint multi-modal dMRI and fMRI data to enable functionally consistent WM parcellation. DMVFC can effectively integrate the geometric and microstructural characteristics of the WM fibers with the fMRI BOLD signals along the fiber tracts. DMVFC includes two major components: (1) a multi-view pretraining module to compute embedding features from each source of information separately, including fiber geometry, microstructure measures, and functional signals, and (2) a collaborative fine-tuning module to simultaneously refine the differences of embeddings. In the experiments, we compare DMVFC with two state-of-the-art fiber clustering methods and demonstrate superior performance in achieving functionally meaningful and consistent WM parcellation results.
• Abstract（参考訳）: 拡散MRI(dMRI)を用いたトラクトグラフィーファイバークラスタリングは、健康と疾患における脳の構造的接続の解析を可能にするために、白質パセレーション(WM)の重要な方法である。 現在の繊維クラスタリング戦略は、繊維の幾何学的特性(すなわち空間的軌跡)を用いて類似の繊維をクラスターに分類し、繊維の機能的および微細構造的情報を無視する。 WMの神経活動は機能的MRI(fMRI)を用いて測定でき、機能的コヒーレンスを高めるためにファイバクラスタリングに有用なマルチモーダル情報を提供する証拠が増えている。 さらに、分画異方性(FA)のような微細構造的特徴は、クラスターの解剖学的コヒーレンスを確保するために追加情報としてdMRIから計算することができる。 本稿では,DMVFC(Deep Multi-view Fiber Clustering)と呼ばれる新しいディープラーニングファイバクラスタリングフレームワークを開発した。 DMVFCは、WM繊維の幾何学的および微構造的特性と、繊維路に沿ったfMRI BOLD信号とを効果的に統合することができる。 DMVFCには,(1) 繊維形状, 微細構造計測, 機能信号など, 情報ソースごとに個別に埋め込み特徴を計算するマルチビュー事前学習モジュール, (2) 埋め込みの差異を同時に改善する協調微調整モジュールの2つの主要コンポーネントが含まれている。 実験では,DMVFCと2つの最先端繊維クラスタリング法を比較し,機能的に有意かつ一貫したWM解析結果を実現する上で,優れた性能を示す。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI [9.958759471577068]
  Deep Multi-view Fiber Clustering (DMVFC) は、機能的に一貫したホワイトマター解析を可能にするために、ジョイントdMRIとfMRIデータを使用する。 DMVFCは、WMファイバの幾何学的特性と、ファイバトラクトに沿ったfMRI BOLD信号とを効果的に統合することができる。
  論文  参考訳（メタデータ） (2024-11-04T07:21:06Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
  本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。 提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。 勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
  論文  参考訳（メタデータ） (2024-03-29T20:32:30Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Deep fiber clustering: Anatomically informed fiber clustering with self-supervised deep learning for fast and effective tractography parcellation [22.754116315299182]
  白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。 DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。 実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
  論文  参考訳（メタデータ） (2022-05-02T02:41:02Z)
• Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
  クラスタリングはしばしば機能的パーセレーションを生成するために使われる。 本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:30:02Z)
• DeMFI: Deep Joint Deblurring and Multi-Frame Interpolation with Flow-Guided Attentive Correlation and Recursive Boosting [50.17500790309477]
  DeMFI-Netは、共同でデブロアリングとマルチフレームのフレームワークである。 低フレームレートのぼやけたビデオを高フレームレートでシャープなビデオに変換する。 多様なデータセットに対して、最先端(SOTA)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-19T00:00:15Z)

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。