論文の概要: CNsEMD: An Expert-Annotated Multi-Field-Strength MRI Dataset and a Hyperspherical Manifold Network for Multimodal Cranial Nerve Parcellation

• arxiv url: http://arxiv.org/abs/2609.07058v1
• Date: Mon, 07 Sep 2026 05:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:46:53.863645
• Title: CNsEMD: An Expert-Annotated Multi-Field-Strength MRI Dataset and a Hyperspherical Manifold Network for Multimodal Cranial Nerve Parcellation
• Title（参考訳）: CNsEMD:マルチモーダル脳神経麻痺のためのエキスパートアノテーション付きマルチフィールド長MRIデータセットと超球面マニフォールドネットワーク
• Abstract要約: 頭蓋神経(CN)は感覚、運動、自律神経機能において重要な役割を担っている。 多モード磁気共鳴画像(MRI)からのCN解析は神経解剖学的解析と神経外科的計画に不可欠である。 CNパーセル化のためのエキスパートアノテーション付きマルチモーダルデータセットであるCNsEMDを導入する。3T,5T,7T MRIスキャナーで取得した202名の被験者のデータを含む。
• 参考スコア（独自算出の注目度）: 18.688281558597627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cranial nerves (CNs) play essential roles in sensory, motor, and autonomic functions. Accurate CN parcellation from multimodal magnetic resonance imaging (MRI) is crucial for neuroanatomical analysis and neurosurgical planning. However, accurate CN parcellation remains extremely challenging because CNs are very small, exhibit low image contrast, and have slender tubular morphologies and complex anatomical trajectories. Moreover, the lack of publicly available, expert-annotated datasets has impeded the development and fair benchmarking of learning-based CN analysis methods. In this work, we introduce CNsEMD, an expert-annotated multimodal dataset for CN parcellation. It comprises data from 202 subjects acquired on 3T, 5T, and 7T MRI scanners. We further propose the projective hyperspherical manifold network (PHM-Net), which learns cross-modal representations by capturing angular relationships in a shared hyperspherical embedding space. Rather than performing multimodal fusion in Euclidean space, the proposed Hyperspherical cross-modal interaction (HCI) module enables bidirectional feature exchange between T1-weighted (T1w) and direction-encoded color (DEC) representations on a unit hypersphere. The Magnitude-preserving projective hyperspherical orientation representation (PHOR) captures the axial nature of DEC orientations while preserving diffusion magnitude. The hyperspherical prototype segmentation head (HPSH) further extends angular similarity to voxel-wise classification using normalized voxel embeddings and learnable class prototypes. Extensive experimental results on the CNsEMD dataset demonstrate the effectiveness of our PHM-Net against state-of-the-art methods. CNsEMD establishes a reproducible benchmark for multimodal CN imaging, while PHM-Net provides a geometry-consistent solution for CN parcellation across diverse MRI acquisitions.
• Abstract（参考訳）: 頭蓋神経(CN)は感覚、運動、自律神経機能において重要な役割を担っている。 多モード磁気共鳴画像(MRI)からの正確なCN解析は神経解剖学的解析と神経外科的計画に不可欠である。 しかし、CNは非常に小さく、画像のコントラストが低く、細い管状形態と複雑な解剖学的軌跡を有するため、正確なCNのパーセレーションは非常に困難である。 さらに、専門家による注釈付きデータセットが公開されていないことで、学習ベースのCN分析手法の開発と公正なベンチマークが妨げられている。 本稿では,CNパーセレーションのためのエキスパートアノテーション付きマルチモーダルデータセットであるCNsEMDを紹介する。 3T、5T、および7T MRIスキャナーで取得された202人の被験者のデータを含んでいる。 さらに,共有超球面埋め込み空間における角関係を捉えることで,多次元表現を学習する射影超球面多様体ネットワーク(PHM-Net)を提案する。 ユークリッド空間で多モード融合を行う代わりに、提案した超球面交叉相互作用(HCI)モジュールは、単位超球上のT1重み付き(T1w)と方向符号化色(DEC)の双方向特徴交換を可能にする。 マグニチュード保存射影超球面配向表現(PHOR)は拡散度を保ちながらDEC配向の軸特性を捉える。 超球形プロトタイプセグメンテーションヘッド(HPSH)は、正規化されたボクセル埋め込みと学習可能なクラスプロトタイプを用いて、ボクセルの分類に類似性を広げる。 CNsEMDデータセットの大規模な実験結果から,最新の手法に対するPHM-Netの有効性が示された。 CNsEMDはマルチモーダルCNイメージングのための再現可能なベンチマークを確立し、PHM-Netは様々なMRI取得に対してCN解析のための幾何一貫性のあるソリューションを提供する。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Tractography-Guided Dual-Label Collaborative Learning for Multi-Modal Cranial Nerves Parcellation [9.144317581156821]
  マルチモーダルCranial Nervesパーセレーションネットワークは有望なセグメンテーション性能を達成した。 本研究では,マルチモーダルCNs構文解析のためのトラクトグラフィ誘導デュアルラベル協調学習ネットワーク(DCLNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-03T04:08:15Z)
• Automated Mapping the Pathways of Cranial Nerve II, III, V, and VII/VIII: A Multi-Parametric Multi-Stage Diffusion Tractography Atlas [17.079692842484583]
  脳神経(CN)は、人間の脳の様々な重要な機能において重要な役割を担っている。 拡散MRI(dMRI)からそれらの経路をマッピングすると、個々のCNと鍵組織の間の空間的関係についての貴重な洞察が得られる。 我々は,ヒト脳におけるCN経路の自動マッピングのための包括的拡散トラクトグラフィー・アトラスを開発した最初の研究であると考えている。
  論文  参考訳（メタデータ） (2025-07-31T05:04:32Z)
• An Arbitrary-Modal Fusion Network for Volumetric Cranial Nerves Tract Segmentation [21.228897192093573]
  そこで我々は,CNTSeg-v2と呼ばれる,体積性頭蓋神経(CNs)の領域分割のための新しい任意モード核融合ネットワークを提案する。 我々のモデルは、他の補助モーダルから情報的特徴を効果的に抽出するために設計されたArbitrary-Modal Collaboration Module (ACM)を含んでいる。 我々のCNTSeg-v2は最先端のセグメンテーション性能を達成し、競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T06:00:41Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
  構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である 脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-28T06:55:50Z)
• Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
  Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。 本稿では,一般NNのICB解析を行うためのフレームワークを提案する。 また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
  論文  参考訳（メタデータ） (2023-05-13T21:44:32Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
  拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。 近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。 単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
  論文  参考訳（メタデータ） (2023-03-29T00:58:18Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes for Medical Image Super-Resolution [56.622832383316215]
  超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。 我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。 それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
  論文  参考訳（メタデータ） (2022-04-08T07:56:55Z)

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。