論文の概要: Diffeomorphic Cortical Alignment via Direct Warping of Streamline Endpoints

• arxiv url: http://arxiv.org/abs/2605.16742v1
• Date: Sat, 16 May 2026 01:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.999101
• Title: Diffeomorphic Cortical Alignment via Direct Warping of Streamline Endpoints
• Title（参考訳）: 直流端点の直接ワープによる微分型皮質アライメント
• Authors: Yang Xiang, Martin Cole, Zhengwu Zhang,
• Abstract要約: 皮質表面の登録は、しばしば局所幾何学的記述子によって駆動される。 ホワイトマターファイバトラクションエンドポイント上で直接操作することで表面を整列する新しい接続型表面登録手法を提案する。 ヒューマンコネクトームプロジェクトデータを用いた実験により, トラクションレベルの対応性が向上した。
• 参考スコア（独自算出の注目度）: 9.506507471747549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cortical surface registration is often driven by local geometric descriptors (e.g., sulcal depth and curvature). While this approach achieves geometric correspondence, it neglects the long-range wiring constraints imposed by white-matter anatomy. Diffusion MRI tractography offers these crucial constraints; however, prior connectivity-informed pipelines typically align precomputed connectivity matrices, making the optimization highly sensitive to connectivity estimation and its resolution. In this paper, we introduce a novel connectivity-based surface registration method that aligns cortical surfaces by operating directly on white-matter fiber-tract endpoints. We model tract endpoints as a point cloud on the product manifold $Ω\times Ω$, where $Ω$ represents the spherical domain of the inflated cortical hemispheres. Our alignment method iteratively (i) computes a small diffeomorphic warp for $Ω$ by minimizing connectivity mismatch, and (ii) updates the endpoints based on this warp. The method relies on a geometric framework that ensures output warps are diffeomorphisms and has a final goal that optimizes the matching of well-known fiber bundles. Experiments on Human Connectome Project (HCP) data demonstrate improved tract-level correspondence, achieving higher connectivity-level overlap coefficients on major fiber bundles and stronger robustness across grid resolutions for $Ω$ compared to state-of-the-art methods such as ENCORE and MSMAll.
• Abstract（参考訳）: 皮質表面の登録は、しばしば局所幾何学的記述子(例えば、sulcal depth and curvature)によって駆動される。 このアプローチは幾何対応を実現するが、ホワイトマター解剖学によって課される長距離配線制約を無視する。 拡散MRIトラクトグラフィーは、これらの重要な制約を提供するが、以前の接続インフォームドパイプラインは、通常、事前計算された接続行列を整列し、接続推定とその解像度に非常に敏感な最適化を実現する。 本稿では,白マターファイバートラクションエンドポイント上で直接操作することで,皮質表面を整列させる新しい接続型表面登録手法を提案する。 我々は、終点を積多様体 $Ω\times Ω$ 上の点クラウドとしてモデル化し、$Ω$ は膨らんだ皮質半球の球面領域を表す。 我々のアライメント手法は反復的に i)接続ミスマッチを最小限にして$Ω$の小さな微分同相ワープを計算し、 (ii)このワープに基づいてエンドポイントを更新する。 この手法は、出力ワープが微分同相であることを保証し、よく知られたファイバーバンドルのマッチングを最適化する最終的な目標を持つ幾何学的枠組みに依存している。 HCP(Human Connectome Project)データを用いた実験は、ENCOREやMSMAllのような最先端の手法と比較して、大きなファイバー束上の接続レベル重なり係数の向上とグリッド分解能の強い堅牢性を実現し、トラクションレベルの対応性の向上を実証した。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Layerwise LQR for Geometry-Aware Optimization of Deep Networks [38.84575015854741]
  我々は,グローバルな階層的最適制御目標の下で,構造化逆プレコンディショナを学習するためのフレームワークであるLayerwise LQRを紹介する。 対角線、(E-)Kronecker-factored、または他の構造化された逆プレコンディショナーを学習するスケーラブルな緩和法を導出する。 ResNetsとTransformersの実験では、LLQRは最適化のダイナミクスを改善し、これらのゲインを最終的なテストパフォーマンスに変換する。
  論文  参考訳（メタデータ） (2026-05-05T19:16:00Z)
• Adaptive Sensing beyond Non-Adaptive Information Limits: End-to-End Co-Design of Geometry, Policy, and Inference [0.0]
  本稿では,連続ハードウェア形状に対する単一最適化とベルマン最適適応測定ポリシーを提案する。 3つのケーススタディで、共同DPはコミュニティの自然なベースラインを大きく上回っている。 ハードウェアが一度設計されているが、そのポリシーがデバイスの寿命を延ばすあらゆるセンサーにとって、ハードウェアとポリシーの共同最適化は最小限の原則である。
  論文  参考訳（メタデータ） (2026-04-28T04:02:17Z)
• Optimal Boundary Control of Diffusion on Graphs via Linear Programming [2.064612766965483]
  幾何ネットワーク上での定常拡散とフラックス最適化のためのフレームワークを提案する。 境界ポテンシャルは、線形ネットワークラプラシアンに従って内部フラックスを駆動する制御として機能する。 この解析はミンコフスキー-ワイル分解、ホフマン境界、および現代的なネットワークベースの拡散モデリングによる線形プログラミングの基本定理などの古典的な結果と結合する。
  論文  参考訳（メタデータ） (2025-11-05T02:41:07Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)

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。