論文の概要: AtlasMorph: Learning conditional deformable templates for brain MRI

• arxiv url: http://arxiv.org/abs/2511.13609v1
• Date: Mon, 17 Nov 2025 17:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.630691
• Title: AtlasMorph: Learning conditional deformable templates for brain MRI
• Title（参考訳）: AtlasMorph:脳MRIのための条件付き変形可能なテンプレートの学習
• Authors: Marianne Rakic, Andrew Hoopes, S. Mazdak Abulnaga, Mert R. Sabuncu, John V. Guttag, Adrian V. Dalca,
• Abstract要約: 本研究では,対象属性に条件付きテンプレートを出力する関数を学習する機械学習フレームワークを提案する。 提案手法は3次元脳MRIデータセットのコンピレーションに応用し, 個体群を代表する高品質なテンプレートを学習できることを実証する。
• 参考スコア（独自算出の注目度）: 20.70142313646585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable templates, or atlases, are images that represent a prototypical anatomy for a population, and are often enhanced with probabilistic anatomical label maps. They are commonly used in medical image analysis for population studies and computational anatomy tasks such as registration and segmentation. Because developing a template is a computationally expensive process, relatively few templates are available. As a result, analysis is often conducted with sub-optimal templates that are not truly representative of the study population, especially when there are large variations within this population. We propose a machine learning framework that uses convolutional registration neural networks to efficiently learn a function that outputs templates conditioned on subject-specific attributes, such as age and sex. We also leverage segmentations, when available, to produce anatomical segmentation maps for the resulting templates. The learned network can also be used to register subject images to the templates. We demonstrate our method on a compilation of 3D brain MRI datasets, and show that it can learn high-quality templates that are representative of populations. We find that annotated conditional templates enable better registration than their unlabeled unconditional counterparts, and outperform other templates construction methods.
• Abstract（参考訳）: 変形可能なテンプレート(英: deformable templates)またはアトラス(英: atlases)は、集団の原型解剖を表す画像であり、確率論的解剖学的ラベルマップによってしばしば拡張される。 これらは、人口調査や、登録やセグメンテーションなどの計算解剖学的なタスクの医療画像解析に一般的に用いられている。 テンプレートの開発は計算コストのかかるプロセスであるため、比較的少数のテンプレートが利用可能である。 その結果、特にこの集団に大きなバリエーションがある場合、研究人口を真に代表していない準最適テンプレートを用いて分析されることが多い。 本稿では、畳み込み登録ニューラルネットワークを用いて、年齢や性別などの主観的属性に規定されたテンプレートを出力する関数を効率的に学習する機械学習フレームワークを提案する。 また、利用可能なセグメンテーションを利用して、結果のテンプレートのための解剖学的セグメンテーションマップを作成します。 学習したネットワークは、テンプレートに被写体画像を登録するためにも使用できる。 提案手法は3次元脳MRIデータセットのコンピレーションに応用し, 個体群を代表する高品質なテンプレートを学習できることを実証する。 注釈付き条件付きテンプレートは、ラベル付けされていない条件付きテンプレートよりも優れた登録を可能にし、他のテンプレート構築方法よりも優れていることがわかった。

関連論文リスト

• Detection and Measurement of Syntactic Templates in Generated Text [58.111650675717414]
  モデルにおける一般的な反復を特徴付けるための構文的特徴の解析を行う。 モデルでは、下流のタスクにおいて、人間の参照テキストよりも高いレートでテンプレートテキストを生成する傾向にある。
  論文  参考訳（メタデータ） (2024-06-28T19:34:23Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• InstantGroup: Instant Template Generation for Scalable Group of Brain MRI Registration [5.361571536184391]
  InstantGroupは、変動オートエンコーダ(VAE)モデルに基づく効率的なグループワイドテンプレート生成フレームワークである。 3D脳MRIでの実験によると、InstantGroupは実行時間を劇的に減らし、さまざまなグループサイズのテンプレートを生成する。
  論文  参考訳（メタデータ） (2022-11-10T14:54:31Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• Generative Adversarial Registration for Improved Conditional Deformable Templates [8.630682179154784]
  変形性および条件付きテンプレート推定を逆登録ゲームとして再構成する。 得られたテンプレートは、年齢や病気などの属性に顕著な特異性を示し、グループの時間的傾向に適合し、鋭さと解剖学的に改善された。
  論文  参考訳（メタデータ） (2021-05-07T17:06:41Z)
• Geometric Deep Learning on Anatomical Meshes for the Prediction of Alzheimer's Disease [4.812718493682454]
  メッシュ表現を操作する4つの最近の幾何学的深層学習手法を評価する。 我々は,海馬のメッシュに基づいて,アルツハイマー病の予測のための異なるネットワークを比較した。
  論文  参考訳（メタデータ） (2021-04-20T15:17:13Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。