論文の概要: FiberGeoText: A Vision-Language Model for Population- Level Organization of Superficial White Matter

• arxiv url: http://arxiv.org/abs/2610.02755v1
• Date: Fri, 02 Oct 2026 03:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.197001
• Title: FiberGeoText: A Vision-Language Model for Population- Level Organization of Superficial White Matter
• Title（参考訳）: FiberGeoText: 表面白色物質の集団レベルの組織化のための視覚言語モデル
• Abstract要約: 短距離表面白物質(SWM)を整理するための視覚言語モデル(VLM)であるFiberGeoText(FGT)を紹介する。 FGTは3次元の軌跡、皮質解剖学的文脈、形状の3つの相補的な性質を表現している。 最先端のSOTA(State-of-the-art)法と比較すると、FGTは、大脳皮質のパーセルコヒーレンス、クラスタ内形状の整合性、クラスタサイズの整合性、オブジェクト間の対応性を著しく向上させた。
• 参考スコア（独自算出の注目度）: 11.694196557924931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The superficial white matter (SWM), a critical brain region for cognition across the lifespan and brain disease, contains abundant short-range association fibers whose organization remains incompletely characterized, in part because the short trajectories and highly variable cortical folding make correspondence across individuals challenging. Anatomically corresponding connections may vary in spatial location across individuals and therefore may not be adequately defined by geometric proximity alone. We introduce FiberGeoText (FGT), a vision-language model (VLM) for organizing short-range superficial white matter (SWM) streamlines reconstructed from ultra-high-resolution diffusion MRI into population-level clusters. FGT jointly represents three complementary properties of each streamline: its three-dimensional trajectory, its cortical anatomical context, and its shape. Cortical endpoint information from multiple parcellation schemes is expressed as text and encoded using a pretrained large language model (LLM), enabling heterogeneous anatomical descriptions to contribute to a common continuous representation. We evaluated FGT on acquired submillimeter 0.76 mm diffusion MRI data. Compared with state-of-the-art (SOTA) methods, FGT produced substantially greater cortical parcel coherence, within-cluster shape consistency, cluster-size consistency, and cross-subject correspondence. The trained model also generalizes well to unseen subjects with an average of 96.7% of the 5,000 learned clusters recovered, and high consistency of cluster structure between training and testing data. Together, these findings demonstrate that integrating geometric, anatomical, and shape information by learning multimodal deep embeddings with a VLM model enables robust learning of population-consistent SWM organization despite interindividual anatomical variability.
• Abstract（参考訳）: 寿命と脳疾患にまたがる認知のための重要な脳領域である表面白質(SWM)は、組織が不完全な特徴を有する豊富な短距離関連繊維を含む。 解剖学的に対応する接続は個人間で空間的位置によって異なり、従って幾何学的近接だけでは適切に定義されない。 超高分解能拡散MRIから人口レベルのクラスターに再構成した短距離表面白色物質(SWM)を整理するための視覚言語モデルであるFiberGeoText(FGT)を紹介する。 FGTは3次元の軌跡、皮質解剖学的文脈、形状の3つの相補的特性を共同で表している。 複数のパーセル化スキームからの皮質終端情報はテキストとして表現され、事前訓練された大言語モデル(LLM)を用いて符号化され、異種解剖学的記述が共通の連続表現に寄与することを可能にする。 取得した0.76mm拡散MRIデータからFGTを評価した。 最先端のSOTA(State-of-the-art)法と比較すると、FGTは、大脳皮質のパーセルコヒーレンス、クラスタ内形状の整合性、クラスタサイズの整合性、オブジェクト間の対応性を著しく向上させた。 学習された5000のクラスタのうち、平均96.7%が回復し、トレーニングデータとテストデータの間のクラスタ構造の一貫性も高い。 これらの結果から,VLMモデルによるマルチモーダル深層埋め込みの学習による幾何学的,解剖学的,形状的情報の統合は,個体間解剖学的多様性に拘わらず,個体群に一貫性のあるSWM組織の堅牢な学習を可能にすることが示唆された。

関連論文リスト

• Combinatorial Network-Based Manifold Topological Deep Learning for Image Analysis [11.954836245551107]
  本稿では,ホッジ分解とアテンション機構を統合したMTDLフレームワークであるCNMTDLを紹介する。 MedMNIST v2ベンチマークからCNMTDLを6次元および3次元のデータセットで評価し,医用画像解析の有効性を実証した。
  論文  参考訳（メタデータ） (2026-09-21T22:09:21Z)
• MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization [0.37341173401157257]
  本研究は,5つの主要アーキテクチャ領域にまたがるオリジナル機能に基づく自動放射能表現型フレームワークを提案する。 異種筋内脂肪変性の複雑な3次元構造を客観的、形態学的に解釈可能なバイオマーカーにマッピングする。
  論文  参考訳（メタデータ） (2026-08-25T11:30:17Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• Community-Level Modeling of Gyral Folding Patterns for Robust and Anatomically Informed Individualized Brain Mapping [29.127228105988166]
  皮質の折りたたみは、安定した解剖学的ランドマークを維持しながら、個人間の大きなばらつきを示す。 既存のランドマークベースの手法は、通常、それぞれの3HGを独立してモデル化する。 コミュニティレベルの折り畳み単位をモデル化するスペクトルグラフ表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T23:13:01Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• 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)
• 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)

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。