論文の概要: Fast and Accurate Monomodal 3D High Resolution Deep Registration of Drosophila Larval Brain Volumes

• arxiv url: http://arxiv.org/abs/2609.11240v1
• Date: Thu, 10 Sep 2026 08:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.258557
• Title: Fast and Accurate Monomodal 3D High Resolution Deep Registration of Drosophila Larval Brain Volumes
• Title（参考訳）: ショウジョウバエ幼若期脳容積の高速かつ高精度3次元高分解能深部レジストレーション
• Abstract要約: ショウジョウバエ幼生期は神経科学のコンパクトなモデルシステムである。 このタスクの既存のパイプラインは、主に古典的な登録方法に基づいている。 本研究では,幼生の脳を空間分解能の高い単一前方パスの基準テンプレートに変形的に整列させる訓練された深層登録パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 2.8613819811264203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The larval stage of Drosophila melanogaster is a compact model system for neuroscience whose genetic toolkit allows fluorescent markers to be expressed in defined neural populations, and comparing the resulting expression patterns across animals requires every brain to be registered into a shared anatomical reference space. Existing pipelines for this task are predominantly based on classical registration methods, which perform a new optimization for each volume, often require per-case parameter tuning, and can take minutes per brain, limiting their use as a routine preprocessing step. We present a trained deep registration pipeline that deformably aligns a larval brain to a reference template in a single forward pass at high spatial resolution, on volumes that hold several times more voxels than those learned 3D registration is normally reported on, together with the preprocessing and anatomy-anchored evaluation pipeline required to apply it. Against eleven classical and seven further learned baselines on a held-out collection acquired with different acquisition and quality strata, the proposed pipeline is the most accurate, improving on the strongest classical baseline by 23 percentage points of anatomical landmark-local mutual information. It registers a volume one to two orders of magnitude faster than the classical deformable pipelines, and it retains more of its accuracy than any other method as acquisition quality degrades. The network, its trained weights and the full pipeline are released as the open-source deep larval brain registration framework: https://github.com/agentdr1/deep-larval-brain-reg
• Abstract（参考訳）: ショウジョウバエの幼虫期は神経科学のコンパクトなモデルシステムであり、遺伝的ツールキットは蛍光マーカーを定義された神経集団で表現することを可能にし、動物間で発現パターンを比較するためにはすべての脳を解剖学的基準空間に登録する必要がある。 このタスクの既存のパイプラインは、主に古典的な登録方法に基づいており、各ボリュームに対して新しい最適化を行い、多くの場合、ケースごとのパラメータチューニングを必要とし、脳毎に数分を要し、定期的な前処理ステップとしての使用を制限する。 学習した3Dレジストレーションの何倍ものボクセルを正常に報告するボリュームと、それを適用するのに必要な前処理および解剖学的アンコール評価パイプラインとを併用して、単一の前方通過における参照テンプレートに変形的に整列する訓練された深層登録パイプラインを提案する。 従来の11の古典的および7つの学習的ベースラインが、異なる取得と品質層で得られた保持されたコレクションに基づいて、提案されたパイプラインは最も正確であり、解剖学的ランドマークと局所的な相互情報の23ポイント改善された古典的ベースラインである。 ボリュームを古典的な変形可能なパイプラインよりも桁違いに高速に登録し、取得品質が劣化するにつれて、他のどの方法よりも精度を保っている。 ネットワーク、トレーニングされた重量、および完全なパイプラインは、オープンソースの深層幼生の脳登録フレームワークとしてリリースされている。

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification [13.282533076475383]
  テラバイトまたはペタバイト規模の電子顕微鏡データを処理するためのトレーニング不要な標的ニューロン追跡フレームワークを提案する。 具体的には、幾何的先行情報を利用して神経形態を反復的に再構築する骨格誘導ヒューリスティック空間探索パラダイムを導入する。 基礎モデルNeuroSAM 2に基づく次元認識セマンティック検証戦略をさらに発展させる。
  論文  参考訳（メタデータ） (2026-07-06T05:56:26Z)
• Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
  本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。 これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。 提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
  論文  参考訳（メタデータ） (2026-01-30T17:16:17Z)
• RefTr: Recurrent Refinement of Confluent Trajectories for 3D Vascular Tree Centerline Graphs [13.089387071097107]
  RefTrは3次元画像-グラフモデルであり、血管樹の中心生成を行う。 3次元医用画像における血管ツリー解析のための新しいフレームワークであるRefTrについて紹介する。
  論文  参考訳（メタデータ） (2025-11-25T20:22:57Z)
• Laughing Hyena Distillery: Extracting Compact Recurrences From Convolutions [101.08706223326928]
  近年のアテンションフリーシーケンスモデルの発展は、トランスフォーマーのコアにあるアテンション演算子の代替として、畳み込みに依存している。 本稿では,事前学習した長大な畳み込みアーキテクチャにおいて,トークン当たりの計算コストとメモリコストを$mathcal O(1)$にすることを提案する。
  論文  参考訳（メタデータ） (2023-10-28T18:40:03Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Pipeline-Invariant Representation Learning for Neuroimaging [5.502218439301424]
  我々は,前処理パイプラインの選択が教師付き学習モデルの下流性能に与える影響を評価する。 本稿では,2つのパイプライン不変表現学習手法,MPSLとPXLを提案する。 これらの結果は,本モデルがパイプライン関連バイアスを緩和し,脳-フェノタイプモデルにおける予測ロバスト性の向上に有効であることを示唆している。
  論文  参考訳（メタデータ） (2022-08-27T02:34:44Z)
• Improving Neural Predictivity in the Visual Cortex with Gated Recurrent Connections [0.0]
  我々は,腹側視覚ストリームのユビキタスな特徴である横方向のリカレント接続を考慮したアーキテクチャに焦点を移し,適応的受容場を創出することを目指している。 本研究は,我々のアプローチの堅牢性と活性化の生物学的忠実性を高めるために,特定のデータ拡張技術を用いている。
  論文  参考訳（メタデータ） (2022-03-22T17:27:22Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)

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。