論文の概要: TrackletGPT: A Language-like GPT Framework for White Matter Tract Segmentation

• arxiv url: http://arxiv.org/abs/2601.13935v1
• Date: Tue, 20 Jan 2026 13:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.317306
• Title: TrackletGPT: A Language-like GPT Framework for White Matter Tract Segmentation
• Title（参考訳）: TrackletGPT:White Matter Tract Segmentationのための言語ライクなGPTフレームワーク
• Authors: Anoushkrit Goel, Simroop Singh, Ankita Joshi, Ranjeet Ranjan Jha, Chirag Ahuja, Aditya Nigam, Arnav Bhavsar,
• Abstract要約: 我々は,トラックレットを用いてトークンのシーケンシャル情報を再導入する言語ライクなGPTフレームワークであるTrackletGPTを提案する。 TrackletGPTはデータセットをシームレスに一般化し、完全に自動化され、粒度の細かなサブストリームセグメント、トラックレット、スケーリングとTractography内のGPTモデルの精細化をエンコードする。 実験の結果,TrackletGPTは,TractoInfernoおよびHCPデータセットにおける平均DICE,Overlap,Overreachスコアにおいて,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.374660957323975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: White Matter Tract Segmentation is imperative for studying brain structural connectivity, neurological disorders and neurosurgery. This task remains complex, as tracts differ among themselves, across subjects and conditions, yet have similar 3D structure across hemispheres and subjects. To address these challenges, we propose TrackletGPT, a language-like GPT framework which reintroduces sequential information in tokens using tracklets. TrackletGPT generalises seamlessly across datasets, is fully automatic, and encodes granular sub-streamline segments, Tracklets, scaling and refining GPT models in Tractography Segmentation. Based on our experiments, TrackletGPT outperforms state-of-the-art methods on average DICE, Overlap and Overreach scores on TractoInferno and HCP datasets, even on inter-dataset experiments.
• Abstract（参考訳）: ホワイトマター・トラクト・セグメンテーション(White Matter Tract Segmentation)は、脳の構造的接続性、神経疾患、神経外科の研究に必須である。 この課題は、被検体と条件によって異なるが、半球と被検体間で類似した3D構造を持つため、複雑のままである。 これらの課題に対処するために、トラックレットを用いてトークンのシーケンシャル情報を再導入する言語ライクなGPTフレームワークであるTrackletGPTを提案する。 TrackletGPTはデータセットをシームレスに一般化し、完全に自動化され、Tractography Segmentation内の粒度のサブストリームセグメント、トラックレット、スケーリングと精細化のGPTモデルをエンコードする。 TrackletGPTは、TractoInfernoおよびHCPデータセットにおける平均的なDICE、Overlap、Overreachスコアにおいて、データセット間実験においても、最先端の手法よりも優れています。

関連論文リスト

• Enjoying Information Dividend: Gaze Track-based Medical Weakly Supervised Segmentation [13.149889117975725]
  GradTrackは、医師の視線トラック(固定点、期間、時間順を含む)を利用して、WSSSのパフォーマンスを向上させるフレームワークである。 Kvasir-SEGとNCI-I SBIデータセットの実験は、GradTrackが既存の視線ベースの手法を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-28T11:05:50Z)
• TractoGPT: A GPT architecture for White Matter Segmentation [5.919899935057211]
  TractoGPTは、データセットをまたいで一般化し、ホワイトマターバンドルの形状情報を保持する完全に自動化された方法である。 実験の結果、TractoGPTは平均的なDICE、オーバーラップ、オーバーリーチのスコアで最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-26T09:54:10Z)
• PPT: Pretraining with Pseudo-Labeled Trajectories for Motion Forecasting [90.47748423913369]
  最先端のモーション予測モデルは、手動で注釈を付けたり、非常に後処理されたトラジェクトリを備えた、大規模なキュレートされたデータセットに依存している。 PWTはシンプルでスケーラブルな代替手段で、市販の3D検出器とトラッキングから自動生成される、未処理で多様な軌道を使用する。 標準ベンチマーク、特に低データのレシエーション、クロスドメイン、エンドツーエンド、マルチクラスの設定において、強力なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-12-09T13:48:15Z)
• TractoEmbed: Modular Multi-level Embedding framework for white matter tract segmentation [5.919899935057211]
  脳の構造的接続と神経外科的計画の研究には,白質領域のセグメンテーションが不可欠である。 本稿では,各エンコーダの学習タスクを通じて局所化表現をエンコードするモジュール型マルチレベル埋め込みフレームワークであるTractoEmbedを提案する。 実験により、TractoEmbedは、さまざまなデータセットにまたがるホワイトマタートラクションセグメンテーションにおいて、最先端の手法よりも優れており、様々な年齢グループにまたがっていることが示された。
  論文  参考訳（メタデータ） (2024-11-12T21:12:51Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• SegViz: A Federated Learning Framework for Medical Image Segmentation from Distributed Datasets with Different and Incomplete Annotations [3.6704226968275258]
  分散医用画像セグメンテーションデータセットから知識を集約する学習フレームワークであるSegVizを開発した。 SegVizは、両方のノードから知識を収集する肝臓と脾臓の両方をセグメント化できるモデルを構築するように訓練された。 以上の結果から,SegVizは臨床的に翻訳可能なマルチタスクセグメンテーションモデルのトレーニングに向けた重要な第一歩であることが示された。
  論文  参考訳（メタデータ） (2023-01-17T18:36:57Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• Tracking Every Thing in the Wild [61.917043381836656]
  我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。 実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2022-07-26T15:37:19Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• STEP: Segmenting and Tracking Every Pixel [107.23184053133636]
  新しいベンチマークを示す: Segmenting and Tracking Every Pixel (STEP) 私たちの仕事は、空間領域と時間領域の両方で密な解釈を必要とする現実世界の設定で、このタスクをターゲットとする最初のものです。 性能を測定するために,新しい評価指標と追跡品質(STQ)を提案する。
  論文  参考訳（メタデータ） (2021-02-23T18:43:02Z)

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。