論文の概要: TractoRC: A Unified Probabilistic Learning Framework for Joint Tractography Registration and Clustering

• arxiv url: http://arxiv.org/abs/2603.10418v1
• Date: Wed, 11 Mar 2026 05:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.788568
• Title: TractoRC: A Unified Probabilistic Learning Framework for Joint Tractography Registration and Clustering
• Title（参考訳）: TractoRC: 共同トラクトグラフィ登録とクラスタリングのための統一確率的学習フレームワーク
• Authors: Yijie Li, Xi Zhu, Junyi Wang, Ye Wu, Lauren J. O'Donnell, Fan Zhang,
• Abstract要約: トラクトグラフィー解析における2つの重要な課題は、1)個人間でのストレートラインを整列するトラクトグラム登録、2)ストレートラインをコンパクトなファイバーバンドルにグループ化するストレートラインクラスタリングである。 本稿では,1つの最適化方式でトラクトグラム登録とストリームラインクラスタリングを共同で行う,統一確率的フレームワークであるTractoRCを提案する。
• 参考スコア（独自算出の注目度）: 9.66539105471215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI tractography enables in vivo reconstruction of white matter (WM) pathways. Two key tasks in tractography analysis include: 1) tractogram registration that aligns streamlines across individuals, and 2) streamline clustering that groups streamlines into compact fiber bundles. Although both tasks share the goal of capturing geometrically similar structures to characterize consistent WM organization, they are typically performed independently. In this work, we propose TractoRC, a unified probabilistic framework that jointly performs tractogram registration and streamline clustering within a single optimization scheme, enabling the two tasks to leverage complementary information. TractoRC learns a latent embedding space for streamline points, which serves as a shared representation for both tasks. Within this space, both tasks are formulated as probabilistic inference over structural representations: registration learns the distribution of anatomical landmarks as probabilistic keypoints to align tractograms across subjects, and clustering learns streamline structural prototypes that capture geometric similarity to form coherent streamline clusters. To support effective learning of this shared space, we introduce a transformation-equivariant self-supervised strategy to learn geometry-aware and transformation-invariant embeddings. Experiments demonstrate that jointly optimizing registration and clustering significantly improves performance in both tasks over state-of-the-art methods that treat them independently. Code will be made publicly available at https://github.com/yishengpoxiao/TractoRC .
• Abstract（参考訳）: 拡散MRIは、生体内での白色物質(WM)経路の再構築を可能にする。 トラクトグラフィー解析における2つの重要な課題は以下のとおりである。 1)個体間の流線型を整列するトラクトグラム登録、及び 2)コンパクトファイババンドルに合理化する合理化クラスタリング。 どちらのタスクも、一貫したWM組織を特徴付けるために幾何学的に類似した構造を捉えるという目標を共有しているが、通常は独立して実行される。 本研究では,TractoRCを提案する。TractoRCは1つの最適化スキーム内でトラコグラム登録と合理クラスタリングを共同で実行し,2つのタスクが相補的な情報を活用することを可能にする。 TractoRCは、両方のタスクの共有表現として機能する、合理化点に対する遅延埋め込み空間を学習する。 登録は、解剖学的ランドマークの分布を確率的キーポイントとして学習し、被写体間でトラクトグラムを整列させ、クラスタリングは、幾何学的類似性を捉えてコヒーレントなスリーラインクラスタを形成する。 この共有空間の効果的な学習を支援するために、幾何学的認識と変換不変な埋め込みを学習するための変換等価な自己教師型戦略を導入する。 実験により、共同で登録とクラスタリングを最適化することで、個別に扱う最先端の手法よりも、両方のタスクのパフォーマンスが大幅に向上することが示された。 コードはhttps://github.com/yishengpoxiao/TractoRCで公開される。

関連論文リスト

• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• A Novel Streamline-based diffusion MRI Tractography Registration Method with Probabilistic Keypoint Detection [9.699179134510103]
  本稿では,ディープラーニングを用いた新しい教師なし手法を提案する。 全体的な考え方は、トラクトグラフィーデータセットの空間的アライメントのために、被験者間で対応するキーポイントペアを特定することである。
  論文  参考訳（メタデータ） (2025-03-04T10:47:10Z)
• Graph Cut-guided Maximal Coding Rate Reduction for Learning Image Embedding and Clustering [2.4503870408262354]
  本稿では,構造化埋め込みとクラスタリングを共同で学習するための統合フレームワーク,CgMCR(Cut-guided Maximal Coding Rate Reduction)を提案する。 我々は、標準画像データセットと外部画像データセットの両方について広範な実験を行い、提案手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-12-25T15:20:54Z)
• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)

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。