Fugu-MT 論文翻訳(概要): GenTract: Generative Global Tractography

論文の概要: GenTract: Generative Global Tractography

arxiv url: http://arxiv.org/abs/2511.13183v1
Date: Mon, 17 Nov 2025 09:43:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-18 14:36:25.104959
Title: GenTract: Generative Global Tractography
Title（参考訳）: GenTract: ジェネレーティブなグローバルトラクトグラフィ
Authors: Alec Sargood, Lemuel Puglisi, Elinor Thompson, Mirco Musolesi, Daniel C. Alexander,
Abstract要約: GenTractは、グローバルトラクトグラフィーのための最初の生成モデルである。研究グレードのデータに対して高い精度でトラクトグラムを生成する。
参考スコア（独自算出の注目度）: 8.597313702333148
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tractography is the process of inferring the trajectories of white-matter pathways in the brain from diffusion magnetic resonance imaging (dMRI). Local tractography methods, which construct streamlines by following local fiber orientation estimates stepwise through an image, are prone to error accumulation and high false positive rates, particularly on noisy or low-resolution data. In contrast, global methods, which attempt to optimize a collection of streamlines to maximize compatibility with underlying fiber orientation estimates, are computationally expensive. To address these challenges, we introduce GenTract, the first generative model for global tractography. We frame tractography as a generative task, learning a direct mapping from dMRI to complete, anatomically plausible streamlines. We compare both diffusion-based and flow matching paradigms and evaluate GenTract's performance against state-of-the-art baselines. Notably, GenTract achieves precision 2.1x higher than the next-best method, TractOracle. This advantage becomes even more pronounced in challenging low-resolution and noisy settings, where it outperforms the closest competitor by an order of magnitude. By producing tractograms with high precision on research-grade data while also maintaining reliability on imperfect, lower-resolution data, GenTract represents a promising solution for global tractography.
Abstract（参考訳）: トラクトグラフィー(英: Tractography)は、拡散磁気共鳴画像(dMRI)から脳内のホワイトマター経路の軌跡を推定する過程である。局所トラクトグラフィ法は,特に雑音や低分解能データにおいて,誤差蓄積や偽陽性率が高い傾向にある。対照的に、基礎となる繊維配向推定との互換性を最大化するために、合理性の集合を最適化しようとするグローバルメソッドは、計算コストが高い。これらの課題に対処するために,グローバルトラクトグラフィーのための最初の生成モデルであるGenTractを紹介する。我々は,dMRIから完全,解剖学的に妥当な流線型への直接マッピングを学習し,トラクトグラフィーを生成課題として捉えた。我々は拡散型とフローマッチングのパラダイムを比較し、GenTractの性能を最先端のベースラインと比較した。特に、GenTractは、次のベストメソッドであるTractOracleよりも2.1倍高い精度を実現している。この利点は、低解像度でノイズの多い設定でさらに顕著になり、最も近い競合よりも桁違いに優れている。 GenTractは、研究グレードのデータに対して高精度なトラクトグラムを生成すると同時に、不完全で解像度の低いデータに対する信頼性を維持することにより、グローバルトラクトグラフィーにとって有望なソリューションとなる。

関連論文リスト

Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation [15.689474391811734]
本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 2つの実世界のデータセットの実験により、トレイトランスフォーマーは生成品質を大幅に向上し、以前のアプローチで見られた問題を効果的に緩和することを示した。
論文参考訳（メタデータ） (2025-10-07T05:41:09Z)
TractoTransformer: Diffusion MRI Streamline Tractography using CNN and Transformer Networks [8.003036966340273]
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。
論文参考訳（メタデータ） (2025-09-19T21:10:13Z)
DDTracking: A Deep Generative Framework for Diffusion MRI Tractography with Streamline Local-Global Spatiotemporal Modeling [9.125067735207887]
DDTrackingは拡散MRIトラクトグラフィーのための新しい深層生成フレームワークである。局所的空間符号化と大域的時間依存性を共同でモデル化するデュアルパス符号化ネットワークを提案する。 DDTrackingは解剖学的に妥当で堅牢なトラクトグラフィーを提供し、広いdMRIアプリケーションに対してスケーラブルで適応性があり、エンドツーエンドで学習可能なソリューションを提供する。
論文参考訳（メタデータ） (2025-08-06T15:51:11Z)
Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-05T16:20:14Z)
Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
論文参考訳（メタデータ） (2024-05-26T10:58:22Z)
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)
Blur Interpolation Transformer for Real-World Motion from Blur [52.10523711510876]
本稿では, ボケの時間的相関を解き明かすために, 符号化されたブラー変換器(BiT)を提案する。マルチスケール残留スウィン変圧器ブロックに基づいて、両端の時間的監督と時間対称なアンサンブル戦略を導入する。さらに,1対1のぼやけたビデオペアの最初の実世界のデータセットを収集するハイブリッドカメラシステムを設計する。
論文参考訳（メタデータ） (2022-11-21T13:10:10Z)
FocalUNETR: A Focal Transformer for Boundary-aware Segmentation of CT Images [6.616213497895369]
局所的な視覚特徴と大域的な文脈をCT画像から抽出する焦点変換器を用いた画像分割アーキテクチャを提案する。この設計により、他の競合手法よりもCTベースの前立腺分割作業の質が大幅に向上することが実証された。
論文参考訳（メタデータ） (2022-10-06T20:06:24Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文参考訳（メタデータ） (2022-03-27T05:03:56Z)
METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文参考訳（メタデータ） (2021-04-22T11:18:17Z)

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。