論文の概要: A$^3$PreCore: Robust Rigid Registration for Native FLAIR-Space Brain-Mask Transfer
- arxiv url: http://arxiv.org/abs/2610.20561v1
- Date: Wed, 14 Oct 2026 17:48:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.28681
- Title: A$^3$PreCore: Robust Rigid Registration for Native FLAIR-Space Brain-Mask Transfer
- Title（参考訳）: A$^3$PreCore: ネイティブFLAIR空間脳マスク転送のためのロバスト剛体登録
- Abstract要約: A$3$PreCoreは6自由度剛性登録戦略である。
偏差補正されたT1重み付き画像を、正規化相互情報を用いてネイティブFLAIRに整列する。
A$3$PreCoreはfsl_anatとBrain extract Toolと比較された。
- 参考スコア（独自算出の注目度）: 1.2459640825465303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable brain-mask transfer into native fluid-attenuated inversion recovery (FLAIR) space can fail when T1-to-FLAIR rigid registration is unstable. We developed A$^3$PreCore, a six-degree-of-freedom rigid-registration strategy that aligns the full bias-corrected T1-weighted image to native FLAIR using normalized mutual information while preserving the established T1-space anatomical mask. We also introduced extended quantitative quality control (E-QC), which characterizes mask extent, field-of-view-relative position, FLAIR intensity support, boundary support, inferior morphology, and pairwise geometric disagreement. In 78 participants with paired T1-weighted and FLAIR imaging, A$^3$PreCore was compared with fsl_anat and the Brain Extraction Tool (BET). Gross rigid-body misregistration occurred in 21/78 fsl_anat outputs (26.9%) and 0/78 A$^3$PreCore outputs (exact two-sided McNemar p=9.54 x 10^-7). Among 57 participants without gross fsl_anat misregistration, A$^3$PreCore preserved close agreement (median Dice=0.993; median paired Delta NMI=-0.00007, p=0.429). A$^3$PreCore remained broadly concordant with BET (median Dice=0.955), with less inferior and extracranial extension in representative comparisons. Method-blinded neuroscientists ranked A$^3$PreCore first in 35/40 participants (87.5%). E-QC additionally exposed severe orientation-related disagreement not evident from global descriptors or centroid displacement alone. These findings support A$^3$PreCore as a robust native-FLAIR brain-mask transfer strategy and E-QC as a complementary framework for multidimensional mask characterization and participant-specific geometric quality control.
- Abstract（参考訳）: T1-to-FLAIRの厳格な登録が不安定な場合、信頼性の高い脳マスクをネイティブ流体減衰インバージョンリカバリ(FLAIR)空間に転送する。
A$^3$PreCoreは、6自由度剛性レジストレーション戦略であり、確立したT1空間解剖マスクを保存しながら、正規化された相互情報を用いて、完全なバイアス補正T1強調画像をネイティブFLAIRに整列させる。
また,マスク幅,視野内相対位置,FLAIR強度支持,境界支持,下方形態,対等幾何学的不一致を特徴付ける拡張量品質制御(E-QC)も導入した。
A$^3$PreCoreとfsl_anatとBrain extract Tool (BET)を比較した。
21/78 fsl_anat出力(26.9%)と0/78 A$^3$PreCore出力(McNemar p=9.54 x 10^-7)でグロス剛体誤登録が発生した。
合計 fsl_anat の誤登録がない57人の参加者のうち、A$^3$PreCore は密約を維持した(中央値 Dice=0.993; 中央値 Delta NMI=-0.00007, p=0.429)。
A^3$PreCore は BET (median Dice=0.955) と広く一致し、代表比較では劣等で頭蓋外拡張が少なかった。
方法盲検神経科学者は、A$^3$PreCoreを35/40名(87.5%)にランク付けした。
E-QCは、グローバルディスクリプタやセントロイドの変位だけでは明らかでない、重度の方向関連不一致も明らかにした。
これらの結果は,A$^3$PreCoreを,多次元マスクのキャラクタリゼーションと参加者特異な幾何学的品質制御のための相補的フレームワークとして,FLAIR脳マスク伝達戦略として,E-QCをサポートする。
関連論文リスト
- Smoothing the Top-k Exposure Boundary for Sparse Mixture-of-Experts [45.31502436468577]
本稿では, 分散分布の局所化から, アクティブなエキスパート予算を$k$とするElastic Expert Routingを提案する。
サンプリング近傍は対称のままであるため、この手法は決定論的トレーニングの予測計算コストと一致する。
オフスクラッチ事前トレーニングでは、検証LM損失を0.04ドルまで減らし、静的のトップ$k$ベースラインを平均16ドルポイント上回る。
論文 参考訳（メタデータ） (2026-10-08T09:31:19Z) - SpatialUQ: Post-Hoc Uncertainty Quantification from Spatial Consistency in Black-Box Vision Models [6.779317726899554]
臨床視覚モデルはしばしば、推論時に内部、再訓練、地上の真実にアクセスできない凍結したブラックボックスとして展開される。
出力確率のみを用いたポストホック不確実性手法である textbfSpatialUQ を導入する。
論文 参考訳（メタデータ） (2026-10-07T05:53:08Z) - TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。
Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
論文 参考訳（メタデータ） (2026-10-07T03:01:51Z) - Emotion as a Distribution: Joint Valence-Arousal Probability Learning for Speaker-Independent Multimodal Emotion Recognition [0.4779196219827507]
マルチモーダル認識装置は 人間の感情を 1つのハードラベルに分解する
我々は、認識者が感情空間上の分布を公開するべきだと論じている。
我々のシステムは、ヴァレンス-アルーサル平面上で9時間9ドル確率行列を出力する。
論文 参考訳（メタデータ） (2026-09-04T22:34:14Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - A Boundary-Metric Evaluation Protocol for Whiteboard Stroke Segmentation Under Extreme Imbalance [0.0]
境界対応メトリクスと細いサブセットの株式分析は、損失関数のランク付けと隠されたトレードオフの公開方法を変える。
DeepLabV3-MobileNetV3モデルでは5つの損失がそれぞれ3回トレーニングされ、12のホールドアウトイメージで評価される。
オーバーラップベースの損失は、クロスエントロピーでF1を20ポイント以上改善する。
論文 参考訳（メタデータ） (2026-02-26T05:16:18Z) - Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。
本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。
Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
論文 参考訳（メタデータ） (2025-12-14T09:43:03Z) - Edge-aware baselines for ogbn-proteins in PyTorch Geometric: species-wise normalization, post-hoc calibration, and cost-accuracy trade-offs [45.88028371034407]
PyTorch Geometric におけるogbnタンパク質の再現可能なエッジ認識ベースラインを提案する。
最強のベースラインは、和ベースのエッジ・ツー・ノード機能を備えたGraphSAGEです。
レーベルごとの温度スケーリングとラベルごとの閾値は、AUCの変更を無視して、マイクロF1と期待キャリブレーション誤差(ECE)を大幅に改善する。
論文 参考訳（メタデータ） (2025-11-17T11:09:46Z) - A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck [0.0]
Cone-beam CT(CBCT)は画像誘導放射線療法(IGRT)において広く採用されている。
頭頸部領域におけるCBCT-to-sCT合成のためのクロスサイロ水平フェデレーションラーニング(FL)手法を提案する。
論文 参考訳（メタデータ） (2025-06-10T10:10:56Z)
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。