論文の概要: JParc: Joint cortical surface parcellation with registration

• arxiv url: http://arxiv.org/abs/2512.22485v1
• Date: Sat, 27 Dec 2025 06:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.07946
• Title: JParc: Joint cortical surface parcellation with registration
• Title（参考訳）: JParc : 登録による関節皮質表面のパーセレーション
• Authors: Jian Li, Karthik Gopinath, Brian L. Edlow, Adrian V. Dalca, Bruce Fischl,
• Abstract要約: 皮質表面のパーセレーションは基礎神経科学研究および臨床応用における基本的な課題である。 自動パーセレーションのためのモデルベースおよび学習ベースのアプローチにより、手動ラベリングの必要性が軽減される。 我々は,既存の最先端のパーセレーション手法よりも優れた,関節皮質登録とパーセレーションの枠組みであるJParcを提案する。
• 参考スコア（独自算出の注目度）: 13.384259098305122
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cortical surface parcellation is a fundamental task in both basic neuroscience research and clinical applications, enabling more accurate mapping of brain regions. Model-based and learning-based approaches for automated parcellation alleviate the need for manual labeling. Despite the advancement in parcellation performance, learning-based methods shift away from registration and atlas propagation without exploring the reason for the improvement compared to traditional methods. In this study, we present JParc, a joint cortical registration and parcellation framework, that outperforms existing state-of-the-art parcellation methods. In rigorous experiments, we demonstrate that the enhanced performance of JParc is primarily attributable to accurate cortical registration and a learned parcellation atlas. By leveraging a shallow subnetwork to fine-tune the propagated atlas labels, JParc achieves a Dice score greater than 90% on the Mindboggle dataset, using only basic geometric features (sulcal depth, curvature) that describe cortical folding patterns. The superior accuracy of JParc can significantly increase the statistical power in brain mapping studies as well as support applications in surgical planning and many other downstream neuroscientific and clinical tasks.
• Abstract（参考訳）: 皮質表面のパーセレーションは基礎神経科学研究と臨床応用の両方において基本的な課題であり、脳領域のより正確なマッピングを可能にしている。 自動パーセレーションのためのモデルベースおよび学習ベースのアプローチにより、手動ラベリングの必要性が軽減される。 パーセレーション性能の進歩にもかかわらず、学習ベースの手法は従来の方法と比べて改善の理由を探ることなく、登録とアトラスの伝播から遠ざかる。 本研究では,既存の最先端のパーセレーション手法よりも優れた関節皮質登録・パーセレーションフレームワークJParcを提案する。 厳密な実験では、JParcの強化性能は、主に正確な皮質登録と学習されたパーセレーションアトラスに起因することが示されている。 JParcは浅いサブネットワークを利用して、伝播したアトラスのラベルを微調整することで、DiceスコアをMindboggleデータセット上で90%以上達成し、皮質の折り畳みパターンを記述した基本的な幾何学的特徴(sulcal depth, curvature)のみを使用する。 JParcの精度が優れていることは、脳地図研究の統計能力を大幅に向上させ、手術計画や他の下流神経科学および臨床タスクへの支援も可能となる。

関連論文リスト

• Unified Brain Surface and Volume Registration [27.427968036901678]
  NeurAlignは脳MRI画像を3ドルで登録し、皮質と皮質下の両方の領域を共同で調整する。 本手法は,古典的および機械学習に基づく登録方法よりも一貫して優れている。 より優れた精度、高速な推測、使いやすさにより、NeurAlignは関節皮質および皮質下登録の新しい標準を設定している。
  論文  参考訳（メタデータ） (2025-12-22T23:05:26Z)
• JOSA: Joint surface-based registration and atlas construction of brain geometry and function [10.584603337042532]
  JOSAは、幾何学と関数のミスマッチを共同でモデル化する、新しい皮質登録フレームワークである。 幾何と関数の両方において最先端の手法よりも優れた登録性能を実現するが、推論時に関数データを必要としない。 脳構造と機能の共同解析を用いた登録手法の今後の発展に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2023-10-22T02:16:48Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• 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)
• Joint cortical registration of geometry and function using semi-supervised learning [10.584603337042534]
  我々は,最適なアトラスを学習しながら,折り畳みパターンと関数マップを協調的に整列する学習ベースの皮質登録フレームワークJOSAを紹介する。 JOSAは既存手法よりも解剖学的・機能的ドメインの登録性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-03-02T21:31:35Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。