論文の概要: Fully Differentiable dMRI Streamline Propagation in PyTorch

• arxiv url: http://arxiv.org/abs/2511.14807v1
• Date: Mon, 17 Nov 2025 19:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.472088
• Title: Fully Differentiable dMRI Streamline Propagation in PyTorch
• Title（参考訳）: PyTorchにおける完全微分可能なdMRIストリームライン伝搬
• Authors: Jongyeon Yoon, Elyssa M. McMaster, Michael E. Kim, Gaurav Rudravaram, Kurt G. Schilling, Bennett A. Landman, Daniel Moyer,
• Abstract要約: トラクトグラフィーは、dMRIを用いて脳内の白質経路を可視化する技術である。 ほとんどの拡散トラクトグラフィ法は、手続き的流線形プロパゲータや大域的エネルギー最小化法に依存している。 本稿では,主ストリームラインアルゴリズムを用いて数値忠実度を保った完全微分可能解を提案する。
• 参考スコア（独自算出の注目度）: 3.3962925171294027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI (dMRI) provides a distinctive means to probe the microstructural architecture of living tissue, facilitating applications such as brain connectivity analysis, modeling across multiple conditions, and the estimation of macrostructural features. Tractography, which emerged in the final years of the 20th century and accelerated in the early 21st century, is a technique for visualizing white matter pathways in the brain using dMRI. Most diffusion tractography methods rely on procedural streamline propagators or global energy minimization methods. Although recent advancements in deep learning have enabled tasks that were previously challenging, existing tractography approaches are often non-differentiable, limiting their integration in end-to-end learning frameworks. While progress has been made in representing streamlines in differentiable frameworks, no existing method offers fully differentiable propagation. In this work, we propose a fully differentiable solution that retains numerical fidelity with a leading streamline algorithm. The key is that our PyTorch-engineered streamline propagator has no components that block gradient flow, making it fully differentiable. We show that our method matches standard propagators while remaining differentiable. By translating streamline propagation into a differentiable PyTorch framework, we enable deeper integration of tractography into deep learning workflows, laying the foundation for a new category of macrostructural reasoning that is not only computationally robust but also scientifically rigorous.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、生体組織の微細構造を探索し、脳の接続解析、複数の条件をまたいだモデリング、マクロ構造の特徴の推定などの応用を容易にする。 20世紀末に出現し、21世紀初頭に加速したトラクトグラフィーは、dMRIを用いて脳内の白質経路を可視化する技術である。 ほとんどの拡散トラクトグラフィ法は、手続き的流線形プロパゲータや大域的エネルギー最小化法に依存している。 近年のディープラーニングの進歩により、これまで困難だったタスクが実現されているが、既存のトラクトグラフィーアプローチは、しばしば差別化不可能であり、エンドツーエンドの学習フレームワークへの統合を制限している。 差別化可能なフレームワークにおける合理化の進展はあるものの、既存のメソッドが完全に差別化可能な伝搬を提供していない。 本研究では,主ストリームラインアルゴリズムを用いて数値忠実度を保った完全微分可能解を提案する。 鍵となるのは、我々のPyTorch技術によるストリームラインプロパゲータは勾配流をブロックするコンポーネントを持っておらず、完全に微分可能であることです。 本手法は相変わらず標準プロパゲータに適合することを示す。 PyTorchフレームワークに線形伝搬を変換することにより、深層学習ワークフローへのトラヒックグラフィーのより深い統合を可能にし、計算的に堅牢であるだけでなく科学的にも厳密である新しいマクロ構造推論のカテゴリの基礎を築いた。

関連論文リスト

• Continual Multimodal Contrastive Learning [99.53621521696051]
  MCL(Multimodal Contrastive Learning)は、異なるモダリティを整列し、関節空間におけるマルチモーダル表現を生成する。 マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。 本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。 理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
  論文  参考訳（メタデータ） (2025-03-19T07:57:08Z)
• Classifier-guided Gradient Modulation for Enhanced Multimodal Learning [50.7008456698935]
  Gradient-Guided Modulation (CGGM) は,マルチモーダル学習と勾配のバランスをとる新しい手法である。 UPMC-Food 101, CMU-MOSI, IEMOCAP, BraTSの4つのマルチモーダルデータセットについて広範な実験を行った。 CGGMはすべてのベースラインや最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2024-11-03T02:38:43Z)
• Diffusion Features to Bridge Domain Gap for Semantic Segmentation [2.8616666231199424]
  本稿では, 拡散モデルの特徴を効率的に活用するために, サンプリングおよび融合技術を活用するアプローチについて検討する。 テキスト・画像生成能力の強みを生かして、暗黙的に後部知識を学習する新しいトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-02T15:33:46Z)
• A Multimodal Feature Distillation with CNN-Transformer Network for Brain Tumor Segmentation with Incomplete Modalities [15.841483814265592]
  本稿では,CNN-Transformer Hybrid Network (MCTSeg) を用いたマルチモーダル特徴蒸留法を提案する。 CNN-Transformer ネットワークと Transformer の畳み込みブロックを併用して提案するモジュールの重要性について検討した。
  論文  参考訳（メタデータ） (2024-04-22T09:33:44Z)
• A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
  拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。 近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。 単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
  論文  参考訳（メタデータ） (2023-03-29T00:58:18Z)
• 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)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。