論文の概要: Geometric-to-Semantic Spherical Transfer Learning for Cortical Sulci Labeling
- arxiv url: http://arxiv.org/abs/2609.12627v1
- Date: Fri, 11 Sep 2026 09:25:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.696659
- Title: Geometric-to-Semantic Spherical Transfer Learning for Cortical Sulci Labeling
- Title（参考訳）: 皮質サルクラベリングのための幾何学的-意味的球面移動学習
- Abstract要約: 本稿では,幾何学的-意味論的球面移動学習フレームワークを提案する。
まず、大量のラベルのないデータ(UK Biobank、$approx$30,000の被験者)を使って球形エンコーダを事前訓練する。
提案手法はスクラッチからトレーニングした教師付きベースラインよりも優れており,平均Diceは0.77である。
- 参考スコア（独自算出の注目度）: 2.4497587364567925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning on cortical surfaces faces a dilemma: capturing the complex topology of over 60 nomenclature-dependent sulci per hemisphere requires high-capacity models, yet the extreme scarcity of expert annotations ($N=62$ subjects) inevitably causes overfitting. Standard supervised approaches fail to generalize in this data-scarce regime, particularly for variable and small sulci where topological ambiguity is high. To overcome this limitation, we introduce a Geometric-to-Semantic Spherical Transfer Learning framework. First, we leverage massive unlabeled data (UK Biobank, $\approx$30,000 subjects) to pre-train a spherical encoder using a locally-optimized strategy. By relying solely on continuous surface features (curvature and depth), the relevance of this pre-training is confirmed by the model's ability to detect localized and rare topological traits, such as sulcal interruptions. The downstream labeling task, however, introduces extracted sulcal fundi (lines) as an explicit semantic input. To bridge this dimensional domain gap (from purely geometric to semantic) without causing catastrophic forgetting, these anatomical lines are integrated into the pre-trained backbone via a soft-initialized Topological Prior Injector. Our experiments demonstrate that this approach outperforms fully supervised baselines trained from scratch, achieving a mean Dice of 0.77. Crucially, a local analysis reveals that the self-supervised geometric priors yield the largest performance gains on variable and tertiary sulci (up to 14.8%), confirming that learning the cortex shape is highly beneficial for identifying its rarest parts.
- Abstract（参考訳）: 大脳皮質表面の深層学習は、ジレンマに直面している: 半球あたり60個以上の命名に依存しないsulciの複雑なトポロジーを捉えるには、高容量のモデルが必要であるが、専門家のアノテーション(N=62$の被験者)の極端な不足は、必然的に過度な適合を引き起こす。
標準教師付きアプローチは、特にトポロジ的あいまいさが高い変数および小さなsulciに対して、このデータスカース体制において一般化することができない。
この制限を克服するために、幾何学的・意味論的球面移動学習フレームワークを導入する。
まず、大量のラベルのないデータ(UK Biobank、$\approx$30,000の被験者)を活用して、局所最適化戦略を用いて球面エンコーダを事前訓練する。
連続した表面の特徴(曲率と深さ)にのみ依存することにより、この事前学習の妥当性は、サルカル割り込みのような局所的および希少なトポロジカルな特性を検出するモデルの能力によって確認される。
しかし、下流ラベリングタスクは、明示的な意味入力として抽出されたsulcal fundi(ライン)を導入している。
この次元領域ギャップを(純粋に幾何学的から意味論的に)破滅的な忘れを生じさせることなく橋渡しするために、これらの解剖学的線はソフト初期化トポロジカルプリインジェクタを介してトレーニング済みのバックボーンに統合される。
実験の結果,本手法はスクラッチからトレーニングした教師付きベースラインよりも優れており,平均Diceは0.77であることがわかった。
局部的な分析では、自己監督的な幾何学的先行が可変および第3のサルシ(最大14.8%)で最大のパフォーマンス向上をもたらすことが明らかとなり、皮質の形状を学ぶことは、最も稀な部分を特定するのに非常に有益であることが確認された。
関連論文リスト
- From Extrinsic to Intrinsic: Geodesic-Guided Representation Learning for 3D Geometric Data [56.41479248637621]
我々は,textbfPreトレーニングのための新しい3D表現学習パラダイムであるtextbfPRISMを紹介した。
PRISMは textbfIntrinsic textbfSurface geodesic textbfMetric を検索して埋め込みを学習する。
提案手法は測地線距離予測において, 良好な精度, 堅牢性, 高効率性を示す。
論文 参考訳（メタデータ） (2026-06-01T13:54:26Z) - Uncovering the Latent Potential of Deep Intermediate Representations [16.988545433223933]
タスク関連情報は,非単調に層に分散し,ナブアグリゲーションによって回復できないことを示す。
本稿では,タスク識別サブ空間を識別する構成的スペクトル法であるレイヤワイズ最適埋め込み選択(LOES)を紹介する。
提案手法は,意味的因子を層に分散させることで,言語間およびモーダル間の解釈可能性の分析を可能にする。
論文 参考訳（メタデータ） (2026-05-21T20:58:42Z) - SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。
SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
論文 参考訳（メタデータ） (2026-05-08T16:57:38Z) - 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) - GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。
本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
論文 参考訳（メタデータ） (2025-11-12T06:48:43Z) - MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation [15.740955468843035]
本稿では,関係するトポロジ的特徴を頑健に識別し,保存する半教師付きセグメンテーションフレームワークを提案する。
この一貫性機構は、生物学的に意味のある構造と過渡的およびノイズのある人工物とを区別するのに役立つ。
空間重なりとグローバルな構造アライメントを統合する新しいマッチング戦略を導入する。
論文 参考訳（メタデータ） (2025-10-02T00:08:28Z) - Decoder ensembling for learned latent geometries [15.484595752241122]
我々は、関連する予想多様体上の測地線を容易に計算する方法を示す。
このシンプルで信頼性が高く、簡単に使える潜在測地に一歩近づきます。
論文 参考訳（メタデータ） (2024-08-14T12:35:41Z) - Semi-Supervised Unconstrained Head Pose Estimation in the Wild [57.11798881492183]
本研究では,最初の半教師なしヘッドポーズ推定手法であるSemiUHPEを提案する。
本手法は, 前回のランドマークに基づくアフィンアライメントよりも, 野生の頭部のアスペクト比不変収穫が優れているという観測に基づいている。
提案手法は, 汎用物体回転回帰法や3次元頭部再構成法など, その他の密接に関連する問題を解く上でも有用である。
論文 参考訳（メタデータ） (2024-04-03T08:01:00Z) - Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency [11.783112213482632]
TopoSemiSegは、ラベルのない画像からトポロジカル表現を学習する最初の半教師付き手法である。
教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。
病理組織像データセットを用いた実験により,本手法の優位性を示した。
論文 参考訳（メタデータ） (2023-11-28T03:04:35Z) - Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep
Learning Framework Incorporating Laplace's Equation [10.416464319867881]
本研究では, 学習過程において, 大脳皮質の形状に関する事前知識をネットワークに組み込む, 深層学習に基づく新しい皮質分割法を提案する。
提案手法は,定量的かつ定性的に,ベースラインセグメンテーションネットワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-01T19:48:45Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z)
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。