論文の概要: INFANiTE: Implicit Neural representation for high-resolution Fetal brain spatio-temporal Atlas learNing from clinical Thick-slicE MRI

• arxiv url: http://arxiv.org/abs/2605.09977v1
• Date: Mon, 11 May 2026 04:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.526194
• Title: INFANiTE: Implicit Neural representation for high-resolution Fetal brain spatio-temporal Atlas learNing from clinical Thick-slicE MRI
• Title（参考訳）: InFANiTE:高分解能胎児脳スポース時空間アトラスのインプシット神経表現 : 臨床像からの検討
• Authors: Xiaotian Hu, Mingxuan Liu, Hongjia Yang, Juncheng Zhu, Yijin Li, Yifei Chen, Haoxiang Li, Tongxi Song, Zihan Li, Yingqi Hao, Ziyu Li, Yujin Zhang, Gang Ning, Yi Liao, Haibo Qu, Qiyuan Tian,
• Abstract要約: 既存のアトラス構築パイプラインは、高解像度の3D脳ボリュームを生成するためにスライス・ツー・ボリューム再構成(SVR)に数日を要する。 InFANiTEは高分解能脳時間アトラスのためのインプシットニューラルネットワーク表現フレームワークである。 広範囲にわたる実験により、INFANiTEは、主観的整合性、参照忠実性、本質的品質、生物学的妥当性において、既存のベースラインよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 28.53303351746329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal fetal brain atlases are important for characterizing normative neurodevelopment and identifying congenital anomalies. However, existing atlas construction pipelines necessitate days for slice-to-volume reconstruction (SVR) to generate high-resolution 3D brain volumes and several additional days for iterative volume registration, thereby rendering atlas construction from large-scale cohorts prohibitively impractical. We address these limitations with INFANiTE, an Implicit Neural Representation (INR) framework for high-resolution Fetal brain spatio-temporal Atlas learNing from clinical Thick-slicE MRI scans, bypassing both the costly SVR and the iterative non-rigid registration steps entirely, thereby substantially accelerating atlas construction. Extensive experiments demonstrate that INFANiTE outperforms existing baselines in subject consistency, reference fidelity, intrinsic quality and biological plausibility, even under challenging sparse-data settings. Additionally, INFANiTE reduces the end-to-end processing time (i.e., from raw scans to the final atlas) from days to hours compared to the traditional 3D volume-based pipeline (e.g., SyGN), facilitating large-scale population-level fetal brain analysis. Our code is publicly available at: https://anonymous.4open.science/r/INFANiTE-5D74
• Abstract（参考訳）: 経時的胎児脳アトラスは、標準的神経発達と先天性異常の同定に重要である。 しかし、既存のアトラス構築パイプラインは、スライス・ツー・ボリューム再構築(SVR)に数日を要するため、高精細な3D脳容積と数日間の反復ボリューム登録が必要であり、これにより大規模なコホートからのアトラス構築を違法に非現実的に行うことができる。 InFANiTE, Inlicit Neural Representation (INR) framework for High- resolution Fetal Brain Spatio-temporal Atlas learNing from Clinical Thick-SlicE MRI scans, bypassing the costly SVR and the iterationative non-rigid registration steps completely。 大規模な実験により、INFANiTEは、スパースデータ設定であっても、主観的整合性、参照忠実性、本質的品質、生物学的妥当性において、既存のベースラインを上回ります。 さらに、INFANiTEは、従来の3Dボリュームベースのパイプライン(例えばSyGN)と比較して、エンドツーエンドの処理時間(生スキャンから最終アトラスまで)を数日から数時間に短縮し、大規模な集団レベルの胎児脳分析を容易にする。 私たちのコードは、https://anonymous.4open.science/r/INFANiTE-5D74で公開されています。

関連論文リスト

• A Latency Coding Framework for Deep Spiking Neural Networks with Ultra-Low Latency [51.75891259753546]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューラル処理に重要な可能性を持つ生物学的にインスパイアされたコンピューティングパラダイムを提供する。 Time-To-First-Spike (TTFS)コーディングは、ニューロンの最初のスパイクの正確なタイミングを通じて情報を符号化する。 TTFSモデルには効率的なトレーニング方法がなく、高い推論遅延と限られたパフォーマンスに悩まされている。 本稿では,バックプロパゲーション・スロー・タイム(BPTT)アルゴリズムを用いて,深層TTFS符号化SNNの効率的なトレーニングを可能にする包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T13:52:03Z)
• Dendritic Resonate-and-Fire Neuron for Effective and Efficient Long Sequence Modeling [66.0841376808143]
  樹状共振器(RF)ニューロンは入力信号から効率的に周波数を抽出し、スパイク列車に符号化することができる。 RFニューロンは、複雑なタスクにおけるエネルギー効率とトレーニング速度のトレードオフとして、有効なメモリ容量が限られている。 本稿では,複数の共振器とソマアーキテクチャを明示的に組み込んだDdendritic Resonate-and-Fireモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T18:15:45Z)
• Localized FNO for Spatiotemporal Hemodynamic Upsampling in Aneurysm MRI [7.787686784329426]
  Localized Operator (LoFNO) は空間分解能と時間分解能を両立させる新しい3Dアーキテクチャである。 LoFNOは臨床画像データから直接壁せん断応力を予測する。
  論文  参考訳（メタデータ） (2025-07-18T10:00:38Z)
• Towards Practical Alzheimer's Disease Diagnosis: A Lightweight and Interpretable Spiking Neural Model [7.289867430801027]
  アルツハイマー病 (AD) の早期診断は, 主観的評価やマルチモーダル画像モダリティの高コストにより, 極めて困難である。 脳にインスパイアされたパラダイムとして、スパイキングニューラルネットワーク(SNN)は本質的にADにおける神経変性のスパースでイベント駆動パターンをモデル化するのに適している。 我々は、生物にインスパイアされたLIFニューロンと、領域適応的畳み込みとマルチスケールのスパイク注意を統合するハイブリッドニューラルネットワークであるFasterSNNを提案する。
  論文  参考訳（メタデータ） (2025-06-11T13:10:49Z)
• CINeMA: Conditional Implicit Neural Multi-Modal Atlas for a Spatio-Temporal Representation of the Perinatal Brain [7.559401016563897]
  CINeMAは、高分解能、神経側頭葉、マルチモーダル脳アトラスを作成するための新しいフレームワークである。 計算集約的な画像登録を避け、アトラス構築時間を数日から数分に短縮する。 GA、生年月日、腹腔鏡下手術(VM)、コーパス・カロサム・アジェネシス(ACC)などの解剖学的特徴に対するフレキシブルな条件付けを可能にする
  論文  参考訳（メタデータ） (2025-06-11T12:39:41Z)
• Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
  実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。 そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。 提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
  論文  参考訳（メタデータ） (2024-03-08T12:07:18Z)
• Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
  変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。 我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。 この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
  論文  参考訳（メタデータ） (2023-12-23T13:27:50Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)

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。