論文の概要: Tensor-based Brain Surface Modeling and Analysis

• arxiv url: http://arxiv.org/abs/2609.03302v1
• Date: Thu, 03 Sep 2026 02:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.897041
• Title: Tensor-based Brain Surface Modeling and Analysis
• Title（参考訳）: テンソルを用いた脳表面モデリングと解析
• Abstract要約: 磁気共鳴画像に基づく2つの臨床グループ間の脳表面形状の差異を検出するための統一的な計算手法を提案する。 我々のアプローチは、コヒーレントな統一数学的枠組みにおいて、表面モデリング、表面データの平滑化、統計解析を組み合わせたという意味では、新しいものである。
• 参考スコア（独自算出の注目度）: 1.4466130959565506
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a unified computational approach to tensor-based morphometry in detecting the brain surface shape differences between two clinical groups based on magnetic resonance images. Our approach is novel in a sense that we combined surface modeling, surface data smoothing and statistical analysis in a coherent unified mathematical framework. The cerebral cortex has the topology of a 2D highly convoluted sheet. Between two different clinical groups, the local surface area and curvature of the cortex may differ. It is highly likely that such surface shape differences are not uniform over the whole cortex. By computing how such surface metrics differ, the regions of the most rapid structural differences can be localized. To increase the signal to noise ratio, diffusion smoothing based on the explicit estimation of Laplace-Beltrami operator has been developed and applied to the surface metrics. As an illustration, we demonstrate how this new tensor-based surface morphometry can be applied in localizing the cortical regions of the gray matter tissue growth and loss in the brain images longitudinally collected in the group of children.
• Abstract（参考訳）: 磁気共鳴画像に基づく2つの臨床グループ間の脳表面形状の差異を検出するため, テンソル型形態計測への統一的な計算手法を提案する。 我々のアプローチは、コヒーレントな統一数学的枠組みにおいて、表面モデリング、表面データの平滑化、統計的解析を組み合わせたという意味で、新しいものである。 大脳皮質は、高度に複雑な2Dシートのトポロジーを有する。 2つの異なる臨床群で局所的な表面積と大脳皮質の曲率が異なる可能性がある。 このような表面形状の違いは、大脳皮質全体に均一ではない可能性が高い。 このような表面測定値の違いを計算することにより、最も高速な構造差の領域を局所化することができる。 Laplace-Beltrami演算子の明示的推定に基づく拡散平滑化法を開発し,その表面測定値に適用した。 本研究では,このテンソルを用いた表面形態計測が,小児群で縦に収集した脳画像の灰白質組織成長と消失の皮質領域の局在化にどのように応用できるかを示す。

関連論文リスト

• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Neural deformation fields for template-based reconstruction of cortical surfaces from MRI [5.4173776411667935]
  本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。 V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。 V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
  論文  参考訳（メタデータ） (2024-01-23T17:50:58Z)
• Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
  脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である 本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。 我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
  論文  参考訳（メタデータ） (2022-09-19T11:45:39Z)
• Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal Charts and Distortion [71.52576837870166]
  我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。 その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。 我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
  論文  参考訳（メタデータ） (2022-07-29T16:55:06Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
  カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。 新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。 本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2021-10-25T11:37:41Z)
• Going beyond p-convolutions to learn grayscale morphological operators [64.38361575778237]
  p-畳み込み層と同じ原理に基づく2つの新しい形態層を提示する。 本研究では, p-畳み込み層と同じ原理に基づく2つの新しい形態層を示す。
  論文  参考訳（メタデータ） (2021-02-19T17:22:16Z)
• Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
  T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。 結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
  論文  参考訳（メタデータ） (2020-10-04T19:46:04Z)
• A Two-step Surface-based 3D Deep Learning Pipeline for Segmentation of Intracranial Aneurysms [18.163031102785904]
  2段階のサーフェスベースのディープラーニングパイプラインを提供し、高いパフォーマンスを実現しています。 ユーザはまず、飛行時間磁気共鳴血管造影画像の複数の閾値を手動で指定して表面モデルを生成する。 その後、脳動脈全体から小さな表面の断片を採取し、動脈瘤の有無に応じて表面の断片を分類する。
  論文  参考訳（メタデータ） (2020-06-29T16:23:36Z)
• Shape analysis via inconsistent surface registration [4.367664806447789]
  不整合表面マッピングを用いた形状解析のためのフレームワークを開発する。 本手法では, 準コンフォーマル理論に基づく不整合表面登録を用いてこの問題を解くことができる。
  論文  参考訳（メタデータ） (2020-03-03T06:58:16Z)

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。