論文の概要: Tractogram foundation model

• arxiv url: http://arxiv.org/abs/2606.09893v1
• Date: Wed, 03 Jun 2026 19:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.021538
• Title: Tractogram foundation model
• Title（参考訳）: トラクトグラム基礎モデル
• Authors: Guikun Chen, Yuqian Chen, Yijie Li, Yogesh Rathi, Nikos Makris, Fan Zhang, Wenguan Wang, Lauren J. O'Donnell,
• Abstract要約: トラクトFMはトラクトグラムの基礎モデルであり,脳全体から再利用可能な表現を直接学習する。 TractFMは、局所的なストリーラインエンコーダと置換等価なトラクトグラムエンコーダを組み合わせることで、被験者のすべてのストリーラインをコンテキスト化することができる。 凍結した表現は正確なトラクションのパーセレーションを実現し、独立したデータセット間で年齢と性別を予測する。
• 参考スコア（独自算出の注目度）: 46.43770468662999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI (dMRI) tractography is the only noninvasive approach for mapping white-matter pathways in the living human brain. It represents each brain as a tractogram: a large, unordered set of three-dimensional streamlines that includes information about both local streamline geometry and whole-brain anatomical organization. This structure makes tractograms a natural but challenging target for representation learning. Existing methods treat streamline classification and subject-level prediction as separate problems: streamline classifiers focus on geometric patterns, whereas subject-level prediction often depends on hand-crafted features. As a result, current methods do not learn reusable representations that connect streamline anatomy with whole-brain inter-subject variation. Here we introduce TractFM, a tractogram foundation model that learns reusable representations directly from whole-brain streamline sets. TractFM combines a local streamline encoder with a permutation-equivariant tractogram encoder, allowing all streamlines from a subject to be contextualized jointly in a single forward pass. Pretraining on dense anatomical tract parcellation, i.e., assigning anatomical labels to individual streamlines, yields two complementary representations: contextualized streamline-level embeddings for tract parcellation and compact subject-level descriptors for downstream prediction of subject phenotypes. Across three tractography algorithms and five dMRI datasets, TractFM transfers to both streamline-level and subject-level tasks. Its frozen representations achieve accurate tract parcellation and predict age and sex across independent datasets. These results show that whole-brain geometric context, learned once, can generalize across tractography pipelines, datasets, and prediction tasks.
• Abstract（参考訳）: 拡散MRI(dMRI)は、生きたヒト脳のホワイトマター経路をマッピングするための唯一の非侵襲的アプローチである。 これは、局所的な流線型幾何学と全脳解剖学的組織の両方に関する情報を含む、大きく、秩序のない3次元の流線型のセットである。 この構造は、トラクトグラムを表現学習の自然な目標とする。 既存の手法では、ストリームライン分類と主観レベルの予測を別の問題として扱う: ストリームライン分類器は幾何学的パターンに焦点をあてるが、主観レベルの予測は手作りの特徴に依存することが多い。 結果として、現在の手法では、ストリームライン解剖学と全脳オブジェクト間の変動を結びつける再利用可能な表現を学ばない。 本稿では,全脳ストリームラインセットから直接再利用可能な表現を学習するトラクトグラム基礎モデルであるTractFMを紹介する。 TractFMは、局所的なストリーニングエンコーダと置換等価なトラクトグラムエンコーダを組み合わせることで、対象からのすべてのストリーニングを1つのフォワードパスで共同でコンテキスト化することができる。 密度の高い解剖学的トラクターパーセレーション、すなわち、個々のストリーラインに解剖学的ラベルを割り当てることにより、トラクションパーセレーションのための文脈化されたストリームラインレベルの埋め込みと、サブジェクト表現型の下流予測のためのコンパクトなサブジェクトレベル記述子という2つの相補的な表現が得られる。 3つのトラクトグラフィアルゴリズムと5つのdMRIデータセットにまたがって、TractFMはストリームラインレベルと主観レベルの両方のタスクに転送される。 凍結した表現は正確なトラクションのパーセレーションを実現し、独立したデータセット間で年齢と性別を予測する。 これらの結果は、一度学習した全脳の幾何学的コンテキストが、トラクトグラフィーパイプライン、データセット、予測タスクをまたいで一般化可能であることを示している。

関連論文リスト

• TractGraphFormer: Anatomically Informed Hybrid Graph CNN-Transformer Network for Interpretable Sex and Age Prediction from Diffusion MRI Tractography [22.12146729607869]
  脳白質ネットワークの局所的およびグローバル的特性は、畳み込みネットワーク設計においてしばしば見過ごされる。 拡散MRIトラクトグラフィーに適したグラフCNN-TransformerディープラーニングフレームワークであるTractGraphFormerを紹介する。
  論文  参考訳（メタデータ） (2024-07-11T22:14:57Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• 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)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Semi-supervised, Topology-Aware Segmentation of Tubular Structures from Live Imaging 3D Microscopy [6.2651370198971295]
  本稿では, バイオメディカルイメージングにおける2つの問題に対処する: セグメンテーションのトポロジ的一貫性, 限定アノテーション。 本研究では, 予測された真理セグメントと地上の真理セグメントの位相的および幾何学的整合性を測定するトポロジカルスコアを提案する。 本研究は, 乳房内管状構造を集束顕微鏡で観察し, 本研究の意義を検証した。
  論文  参考訳（メタデータ） (2021-05-20T13:35:44Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。